采用随机卷积核转换输入时间序列并使用转换特征训练线性分类器的 ROCKET 算法与大多数现有方法的计算复杂度相比具有更高的准确性，而 MINIROCKET 方法则在维持基本相同的精度的同时，在大型数据集上比 ROCKET 更快 75 倍，并且可实现接近确定性的分类结果，且在所有 109 个 UCR 数据集上训练和测试分类器所需的时间不到 10 分钟。因此，我们建议 MINIROCKET 现在应该作为 ROCKET 的默认变体。

Dec, 2020

近年来，ROCKET 和 MINIROCKET 两个时间序列分类模型以其低训练成本和尖端的准确性吸引了广泛关注。本文提出了一种名为 P-ROCKET 的核心算法，它从特征选择的角度开始，通过在连续分类层中消除相关联的连接来剪枝，以实现快速有效的时间序列特征提取和线性分类器适配。

Sep, 2023

本文章提出了一种名为 Rocket 的流形学习方法，采用大量不同配置的独立的随机 1-D 卷积核来提取时间序列的特征，以提高模型的分类性能，同时介绍了一种组合优化算法来选择最重要的核，从而减少计算复杂性并加速 Rocket 在边缘设备上的推理应用。

Mar, 2022

本研究比较了使用传统机器学习方法的表格模型与 ROCKET 系列分类器在时间序列分类中的性能，发现表格模型在大约 19％的单变量和 28％的多变量数据集上优于 ROCKET 系列分类器，并在约 50％的数据集上取得了不超过 10 个百分点的准确率，结果表明在开发时间序列分类器时要考虑简单的表格模型作为基线模型。

Aug, 2023

介绍了一种简单的线性分类器，它利用随机卷积核，相对于现有方法具有极少的计算负担，可用于时序数据分类，并在准确性上达到了最先进的水平。

Oct, 2019

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

本研究介绍了一种基于超高维计算机制的时间序列数据分类方法 HDC-MiniROCKET，实验结果在 UCR 时间序列分类基准数据集上取得了比 MiniROCKET 更好的分类效果。

Feb, 2022

时间序列分类是时间序列挖掘中最重要的任务之一，本论文介绍了一种以效率为主要目标的新方法，通过简化时间序列的表示和考虑部分值的距离度量，实现对大型时间序列数据集的高效分类。实验结果表明，与其他高效方法相比，该方法不仅平均速度快 4 倍，而且在分类准确性上更为优越。

Dec, 2023

通过引入顺序特征分离（SFD）作为一种方法来识别和修剪这些非必需特征，本研究解决了时间序列数据中大量随机生成特征的冗余性和非信息性的问题，通过测试在 UCR 存档上表明 SFD 可以在保持高准确率的同时，将模型特征数量减少到原始数量的 10％，并提供了一种称为 Detach-ROCKET 的端到端过程以在模型准确性和特征数量之间找到最佳平衡。

Sep, 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