RocketPFN：通过上下文学习进行准确的时间序列分类

我们引入了 RocketPFN，这是一种用于时间序列分类的 无需训练 管道，它通过预训练的表格基础模型 (TabPFN v2.5) 将随机卷积特征提取 (Rocket) 与上下文分类相结合。在 92 个 UCR 数据集（30 次重采样协议）上，RocketPFN 在平均准确度（均为 0.900，Wilcoxon p=0.50）方面与 HC2（存档中最强的已发布方法）相匹配，无需对目标数据进行训练，每倍的中位推理时间为 30 秒。它还显着优于 HC2 集成中每个单独的分类器。在 UEA（20 个数据集）上，差异同样不具有统计显着性。单独的比较涉及 TSC 基础模型：当与相同的下游分类器配对时，使用较少提取特征且没有学习参数的 RocketPFN 的 MOMENT、Mantis 和 MantisV2 的性能均显着优于（每种情况下 p<0.001）。即使编码器在包含 UCR 训练样本的语料库上进行了预训练，这一点仍然成立。我们建议将此两阶段流程作为评估零样本 TSC 基础模型的参考点。