回归基础：对现代时间序列分类算法的合理性检验
摘要：时间序列分类的最新发展已经取得了长足的进步，从1NN-DTW算法到ROCKET系列分类器。然而，在当前新分类器飞速发展的过程中，退一步进行简单的基准测试是至关重要的。这些测试经常被忽视，因为研究人员专注于建立新的最先进结果、开发可扩展的算法和让模型能够解释。然而，有很多数据集乍一看像是时间序列，但是在这些问题上，经典的无时间顺序的表格方法可能表现更好。例如，在光谱数据集上，表格方法往往比最近的时间序列方法表现优秀。在本研究中，我们比较了使用经典机器学习方法（如岭回归、线性判别分析、随机森林）的表格模型与ROCKET系列分类器（如Rocket、MiniRocket、MultiRocket）的性能。表格模型简单且非常高效，而ROCKET系列分类器更复杂，并且在最近的时间序列分类器中具有最先进的准确性和效率。我们发现，在UCR/UEA基准测试中，表格模型在大约19\%的单变量数据集和28\%的多变量数据集上优于ROCKET系列分类器，并且在大约50\%的数据集上准确度在10个百分点内。我们的结果表明，在开发时间序列分类器时，考虑简单的表格模型作为基准是很重要的。这些模型非常快速，可能与更复杂的方法一样有效，并且可能更容易理解和部署。
作者：Bhaskar Dhariyal, Thach Le Nguyen, Georgiana Ifrim
论文ID：2308.07886
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-16