FETERS：通过有效比率选择进行少样本早期时间序列分类

早期时间序列分类（ETSC）旨在尽早从部分观察的时间序列中做出准确的预测。尽管已经为 ETSC 开发了各种停止机制和特征学习策略，但大多数现有方法都假设可以访问足够的标记训练数据，这在注释有限的应用中可能不切实际。在有限的监督下，学习额外的样本级停止模块和提取有效的分类特征都可能变得具有挑战性。在本文中，我们提出了 FETERS，这是一个小样本 ETSC 框架，它通过对支持集进行类留一评估（LOO）来选择数据集级停止比，并使用基于惩罚的奖励函数来管理准确性与提前性的权衡，从而避免需要训练额外的停止模块。 FETERS 进一步将基于 Rocket 的特征与冻结的 Chronos 表示相结合以进行分类。对涵盖 14 个领域的 69 个公共数据集进行的广泛实验表明，FETERS 在 5 个样本设置中实现了最先进的 (SOTA) 性能，在 38 个数据集上具有最高的平均调和平均值 (HM) 和最佳 HM，同时在 44 个数据集上优于当前的 SOTA 方法。 FETERS 在全镜头设置中也保持竞争力，证明了其在管理准确性和提前性权衡方面的有效性。