ChorusTIC：通过 Chorus 上下文学习进行 无需训练 多元时间序列分类

时间序列分类支撑着医疗保健、传感和工业监控领域的应用。尽管时间序列基础模型支持预测和可转移表示学习，但分类通常仍然需要在每个目标数据集上拟合特定于任务的分类器，而多变量输入的各个通道通常是独立编码的。我们引入了 ChorusTIC，这是一种原生分类基础模型，用于跨异构通道配置进行上下文分类，无需更新目标任务参数。 ChorusTIC 将情节一致的随机子通道时隙串联与共享双轴编码器相结合，以对时间和跨通道交互进行建模，并将可变通道配置映射到独立于原始通道计数的固定宽度表示中。然后，它使用上下文派生的分布来校准特征轴，并通过泄漏保护的上下文学习来预测查询标签。我们仅在包含共享任务背景的上下文和查询集的合成标记片段上对 ChorusTIC 进行预训练，其中的类别通过稀疏时间或跨通道规则进行区分。对完整 UEA-30 和 UCR-128 档案的评估显示出强大的全上下文和低标签性能，无需针对特定目标的分类器拟合。