元学习鸿沟：结合Hydra与Quant进行大规模时间序列分类

Urav Maniar

元学习鸿沟：结合Hydra与Quant进行大规模时间序列分类

机器学习 2025-12-09 v1

作者: Urav Maniar

摘要

时间序列分类面临准确性与计算效率之间的基本权衡。虽然像 HIVE-COTE 2.0 这样的综合集成方法实现了最先进的准确率，但其在美国 UCR 基准上的 340 小时训练时间使其无法适用于大规模数据集。我们研究了来自互补范式的两种高效算法的针对性组合是否能在保持计算可行性的同时捕捉集成优势。在六种集成配置中结合 Hydra（竞争卷积核）和 Quant（分层区间分位数），我们在 10 个大规模 MONSTER 数据集（7,898 到 1,168,774 个训练样本）上评估了性能。我们最强的配置将平均准确率从 0.829 提升至 0.836，在 10 个数据集中的 7 个上取得成功。然而，预测组合集成仅捕获了理论 Oracle 潜力的 11%，揭示了一个显著的元学习优化差距。特征拼接方法通过学习新的决策边界超越了 Oracle 边界，而预测层面的互补性与集成增益之间表现出中等相关性。核心发现：挑战已从确保算法之间的差异性转变为学习如何有效组合它们。当前的元学习策略难以利用 Oracle 分析确认存在的互补性。改进的组合策略有可能在多样化的时间序列分类应用中将集成增益翻倍或翻三倍。

关键词

时间序列分类元学习 Hydra Quant 集成学习大规模

引用

@article{arxiv.2512.06666,
  title  = {The Meta-Learning Gap: Combining Hydra and Quant for Large-Scale Time Series Classification},
  author = {Urav Maniar},
  journal= {arXiv preprint arXiv:2512.06666},
  year   = {2025}
}

备注

Link to the repository: https://github.com/urav06/research

元学习鸿沟：结合Hydra与Quant进行大规模时间序列分类

摘要

关键词

引用

备注

相关论文