本文提出了一种新的以时间序列分类为主题的分类器 —— 基准区间森林（CIF），它将时间序列森林（TSF）和 catch22 特征集相结合，并展示了在 UCR 档案上的显着性能提高。

Aug, 2020

本文介绍 Proximity Forest 算法，通过随机化选择实例和相似度度量，从包含数百万个时间序列的数据集中学习准确的模型，并在毫秒内对时间序列进行分类。该算法在时间序列分类方面表现出极高的准确性和速度，并在对 1M 个时间序列的地球观测数据集进行实验时表现出优越性能。

Aug, 2018

我们研究了一种新颖的集成方法，用于处理非稳态和样本有限、特征数量庞大的特征选择问题。通过利用特征之间的相互依赖关系，我们提出的层次结构方法克服了传统特征选择方法和特征重要性评分的局限性，并在合成和实际数据集上展示了可伸缩性和稳定性方面的改进性能。

Oct, 2023

TS-CHIEF 是一种新的 TSC 算法，它构建了一个集成了最有效的时间序列嵌入式森林的集成分类器，通过使用树形分类器进行高效的分类。我们对加利福尼亚大学河滨（UCR）档案的 85 个数据集进行了评估，在可扩展性和效率方面实现了最新的准确性，能够在仅用比其它算法更短的时间内处理 130k 的时间序列。

Jun, 2019

本研究提出了两个新的时间序列外生回归算法 FreshPRINCE 和 DrCIF，以及展示了它们与 InceptionTime 一起显著优于其他已测试的 18 个回归算法，尤其是这两种方法是唯一显著优于标准旋转森林回归算法的方法。

May, 2023

提出了一种新的基于相似度的分类器 Proximity Forest 2.0，它通过采用包括计算上更高效的计算相似度方法、新的弹性相似度度量 ADTW 以及成本函数调优等多种技术，将 UCR 测试集上的表现超过以往同类型分类器，并在某些需要相似度方法处理的测试集上，甚至超过了其他各类方法。

Apr, 2023

提出了两种新算法以及相应的下限，适用于树集合，展示了决策树和树集合分类训练数据集所需的切割数相比，随着树的数量增加，集合所需的切割数可能会指数级下降。

Jun, 2023

我们提出了一种用于树模型的特征重要性测量的基于 SAT 的 DT-Sampler 方法，该方法在真实世界的问题中具有较少的参数，提供了更高的可解释性和稳定性。

Jul, 2023

本研究介绍了一种新颖的带有随机分割函数的层次分割聚类方法，通过层次分类（HC）增强多类数据集中的分类性能。该方法具有在不需要显式信息的情况下生成层次结构的独特能力，适用于缺乏先验层次知识的数据集。通过根据分类器的可辨识性将类别系统地分成两个子集，所提出的方法构建了层次类别的二叉树表示。在 46 个多类时间序列数据集上使用流行的分类器（svm 和 rocket）和 SSFs（potr、srtr 和 lsoo）对该方法进行了评估。结果显示，当使用 rocket 和 svm 作为分类器时，该方法在约一半和三分之一的数据集上显著提高了分类性能。研究还探讨了数据集特征与 HC 性能之间的关系。尽管类别数量和平坦分类（FC）评分显示了一致的显著性，但在不同的分割函数上观察到了变化。总体而言，该方法为增强多类时间序列数据集中的分类性能提供了一种有希望的策略。未来的研究方向涉及探索不同的分割函数、分类器和层次结构，以及将该方法应用于超越时间序列数据的不同领域。源代码已公开提供，以促进复现和进一步探索该方法。

Sep, 2023

本文提出了一种名为 “Shrub Ensembles” 的新型在线分类集成算法，它使用随机近端梯度下降法训练小到中等大小的决策树，并在小窗口上处理数据以节省内存。实验表明，该方法在资源有限的情况下仍然表现出色。

Dec, 2021