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

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

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

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

本文提出了一种基于随机特征逼近和正交促进的可扩展多内核学习方法以实现所需的非线性学习函数，并发展了自适应多核学习方法以进一步提高动态环境下的性能，这种方法不仅考虑了数据驱动的内核组合学习，还考虑了未知动态方面，并在合成和真实数据集上进行了测试以展示算法的有效性。

Dec, 2017

本研究提出了一种基于卷积核的预测模型来从原始事件日志数据中提取特征，并使用线性分类器对样本进行分类，以便在 ATM 及时维护方面支持运营商。实验结果表明，该模型在时间序列分类和机器学习方法方面具有较好的性能，并已经应用于一个实际数据集中。

May, 2023

该论文介绍了一种基于随机卷积结构的时间序列聚类方法，通过自动化特征提取技术和聚类算法对时间序列进行分类，从而在时间序列聚类基准测试中取得了优异结果。

May, 2023

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

本文提出了一个基于分布式凸优化和随机化的算法框架和高性能实现，以实现基于核方法的统计模型的海量规模训练，以便有效地利用大数据。

Sep, 2014