论文
TIGER：具有上下文学习门控表示集合的时间序列分类
TIGER: Time-Series Classification with In-Context-Learning Gated Ensemble of Representations
摘要
表示族是从时间序列中提取特征的一种独特方式。组合多个表示族的集成算法仍然是时间序列分类的最准确方法。当前最先进的集成，最著名的是 HIVE-COTE~2.0，将定制的分类算法与每个表示族配对，并使用固定的非自适应规则组合它们的预测。我们提出了 TIGER（具有上下文学习门控表示集合的时间序列分类），它将三个通用分类器（岭、额外树和朴素贝叶斯）的相同小组合应用于来自四个不同系列的四种表示，将所得的 12 个基础学习器的预测堆叠到元特征矩阵中。最终的预测是由自适应元分类规则产生的，该规则针对每个数据集独立地在加权硬多数投票和 TabICLv2 之间进行选择，TabICLv2 是一种在上下文中用作元分类器的预训练表格基础模型，基于每个类可用的训练样本的平均数量。在来自 UCR 时间序列分类档案的 142 个数据集基准上，TIGER 在包括 HIVE-COTE~2.0 在内的六种比较算法中获得了最佳平均准确度、平衡准确度和 F1 分数，并且分别显着优于其他五种算法。 TIGER 的自适应规则也明显优于单独使用的两种组成元分类方法中的任何一种，并且仅使用二十个数据集开发子集调整的单个超参数被证明可以推广到完整的评估基准。我们通过一系列广泛的消融实验进一步描述了 TIGER 的设计特征，并报告了我们研究并最终放弃的设计替代方案。