InceptionTime：时间序列分类中的 AlexNet 探索
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
本文介绍如何在时序分类任务中使用神经网络集成算法，实现与当前最先进的基于非深度学习算法的分类器媲美的性能，并且首次达到了比 COTE 分类器更好的表现。
Mar, 2019
介绍了 HIVE-COTE 2.0，是一种用于时间序列分类的元集成算法，包括多个分类器的集合，其中包括相位无关的 shapelets, 基于词袋的字典以及相位相关的区间；通过替换现有成员，引入了两个新的分类器 TDE 和 DrCIF 以及 ROCKET 分类器的集成 Arsenal，并在 UCR 库和 UEA 库的数据集上展示了 HIVE-COTE 2.0 的显着性能优于现有技术水平。
Apr, 2021
提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。
Mar, 2016
本文通过一个基于深度神经网络结构的实证研究，介绍最新的深度学习算法在时间序列分类方面的最新状态，以及给出了一个自由开放的深度学习框架，并在 97 个时间序列数据集上进行了 8,730 种模型的训练来达到最全面的时间序列分类问题的深度学习算法的研究。
Sep, 2018
TimeNet 是一个基于循环神经网络的深度非监督学习模型，使用序列到序列模型从多个时间序列中提取特征，可用作时间序列的通用特征提取器，并且通过实验证明，使用 TimeNet 特征提取器训练的分类器能够显著提高分类效果。
Jun, 2017
该研究提出了一种基于深度卷积神经网络的预训练模型 ConvTimeNet（CTN），并通过对多个时间序列分类数据集进行训练和测试，证明了其在新任务上的可迁移性和高效性。
Apr, 2019
利用神经网络对声纹数据进行分类研究，比较了两种不同的方法，一种直接对时间序列数据进行分类，采用 InceptionTime 网络的自定义实现，另一种则生成信号的小波变换的 2D 图像，然后采用 ResNet 实现进行分类，并选择合适的超参数设置，两种方法均能达到 90% 以上的分类准确率，直接方法的准确率达到 95.2%。
Mar, 2024
本文介绍了 ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元，避免了与原始点级时间步长相关的稀疏语义。第二，我们设计了一个完全卷积块，巧妙地集成了深度卷积和点卷积操作，采用 Transformer 编码器中使用的先进建模风格，使得该主干网络能够有效捕捉全局序列和跨变量依赖，因为它不仅融入了 Transformer 架构的进展，还继承了卷积的固有属性。此外，通过灵活控制核大小，可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。
Mar, 2024