具有随机卷积特征的上下文时间序列分类

时间序列分类是医疗信号分析、工业监控和基于传感器的活动识别等领域的核心，其中类别信息表现为局部形状、特定频率、时间变化或复杂的跨通道交互。随机卷积变换有效地将这些序列映射到固定维度的表格特征，但传统上与简单的线性分类器配对。我们研究预训练的表格基础模型是否可以更有效地利用这些丰富的表示。我们提出了 MASHT，这是一种将 MultiRocket 和 Hydra 功能与上下文表格基础模型的强大功能相结合的管道。通过利用预训练的表格基础模型，我们的方法完全绕过特定于任务的 模型训练，只需要特征提取和直接推理。大量实验表明，MASHT 在单变量任务上与最先进的时间序列分类基线相匹配，实现了比 HIVE-COTE 2.0 更低的平均排名。在多变量数据集上，MASHT 与最强的参考方法相比仍然具有很强的竞争力。