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

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

MultiRocket 是一种快速时间序列分类算法，采用多个池化操作和转换来改善生成的特征的多样性，通过将一阶差分用于原始序列，应用卷积于两个表示，并对卷积输出应用四个池化算子。在 UCR 台州大学时间序列分类基准数据集上对其进行基准测试时，MultiRocket 比 MiniRocket 更准确快速，并且在准确性方面与最好的方法 HIVE-COTE 2.0 具有竞争力。

Jan, 2021

通过与传统树模型如 XGBoost 和随机森林的对比，研究发现，对于中等大小数据集（约 10K 个样本），树模型仍然是当前在表格数据上的最佳选择；研究还提出了神经网络在表格数据上建模的若干挑战，并为后续研究提供基准测试数据和计算资源。

Jul, 2022

通过一个全面的基准测试，本文研究了深度表格方法和基于树的方法在各种任务类型、大小分布和领域中的性能排名以及影响深度表格方法成功的关键因素，并提取了对预测准确性起决定性作用的元特征。这些研究将进一步促进表格数据的研究。

Jul, 2024

经过评估，本文旨在展示经典的机器学习算法（如决策树、Boosting、支持向量机、k 最近邻算法和浅层人工神经网络）在处理稀疏数据的分类任务中的效果，并观察数据噪声增加时对这些算法的影响，以及不同参数对分类准确性的提升。研究表明，即使在有限的数据集和嘈杂的环境下，这些经典算法依然具有很好的学习性能。

Sep, 2023

本文研究了标准机器学习中现成的表格式基准数据集存在的问题，并引入了 TabReD 数据集以填补学术基准数据集的不足之处，以此评估不同 ML 模型在时间演化的数据环境中的表现。结果表明，基于时间的数据划分与学术基准数据集中的随机划分会导致不同的方法排名，MLP 类的架构和 GBDT 模型在 TabReD 数据集上展现出最佳结果，而更复杂的深度学习模型还需进一步证明其有效性。

Jun, 2024

通过对 UCR 数据集中的 85 个数据集进行比较，本文对 18 种时间序列分类算法性能进行了评估，建立了五类算法的分类法，新增三类以反映新进展，通过引入新数据集并对比算法，确定了 Hydra + MultiROCKET 和 HIVE-COTEv2 是性能最好的算法。

Apr, 2023

通过从 Kaggle 竞赛中选择 10 个相关数据集，实现专家级预处理流程，并进行实验以量化模型选择、超参数优化、特征工程和测试时间适应的影响，我们的主要发现是：1. 数据集特定的特征工程后，模型排名发生了显著变化，性能差异减小，模型选择的重要性降低。2. 最新模型虽然取得了可衡量的进步，但仍然极大受益于手动特征工程，这对基于树的模型和神经网络都适用。3. 虽然通常认为表格数据是静态的，但样本经常随着时间的推移而收集，适应分布的变化即使在所谓的静态数据中也很重要。这些观点表明研究应关注数据为中心的视角，承认表格数据需要特征工程，并且通常具有时间特性。

Jul, 2024

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