面向时间序列的持续学习闭式解：TS-ACL

时间序列分类是支撑医疗诊断及多媒体场景下手势驱动交互系统等关键应用的核心技术。然而，时间序列类增量学习（TSCIL）面临两个主要挑战：灾难性遗忘与类内变异。灾难性遗忘源于梯度基于的参数更新策略不可避免地抹去过往知识的事实。与图像不同，时间序列数据呈现特定主体的模式，即类内变异，指同一类别内观察到的模式差异。虽然基于样本的方法难以用有限样本覆盖多样变异，但现有样本自由方法缺乏显式机制处理类内变异。为解决这两个挑战，我们提出 TS-ACL 方法，利用梯度-free 闭式解以避免梯度优化方法固有的灾难性遗忘问题，同时学习全局分布以解决类内变异。此外，TS-ACL 具备隐私保护与高效优势。在覆盖多种传感器模组与任务的五个基准数据集上进行大规模实验，证明 TS-ACL 在四个数据集上达到接近联合训练水平的性能，超越现有方法，为 TSCIL 树立了新的最先进（SOTA）水平。