TS2TabPFN：通过特征提取和表格基础模型进行时间序列分类和外在回归

时间序列数据在实际应用中无处不在，其中分类（TSC）和外在回归（TSER）已成为从时间序列中获取价值的基本任务。虽然文献通过基于特征的深度学习模型取得了重大进展，但现有方法通常要么关注特征提取的质量，要么关注应用于原始数据的复杂架构的内在预测能力。这种划分在特征工程提供的控制与端到端模型的自动化性能之间造成了差距。本文提出了 TS2TabPFN，这是一个框架，通过将显式特征提取与 TabPFN 2.5（表格数据的尖端基础模型）集成来弥补这一差距，以利用其预测功能。我们广泛的实验评估表明，TS2TabPFN 在具有统计意义的 TSER 任务中显着优于最先进的模型，为 TSC 提供了稳健且高效的替代方案，并超越了大多数当前性能最佳的算法。这些结果表明，将基础模型与结构化特征相结合克服了单一范式的局限性，建立了一种新的最先进的时间序列。