学习时间： 2025年7月24日
论文地址： https://arxiv.org/pdf/2507.04600
论文标题： DisMS-TS: Eliminating Redundant Multi-Scale Features for Time Series Classification
论文发表时间：2025年7月7日
论文简述：
现实世界中的时间序列通常呈现复杂的时序变化，这使得时间序列分类任务极具挑战性。近年来的研究表明，多尺度分析方法具有巨大潜力，能够有效捕捉这些复杂的时间模式。然而，现有的基于多尺度分析的时间序列预测方法未能消除跨尺度时间序列中的冗余特征，导致模型对尺度共享特征的过度或不足关注。为解决这一问题，我们提出了一种创新的端到端解耦多尺度框架——解耦多尺度时间序列分类框架（DisMS-TS）。该框架的核心思想是消除多尺度时间序列中的冗余共享特征，从而提升预测性能。具体而言，我们设计了时间解耦模块，分别捕捉尺度共享和尺度特定的时间表征。为有效学习这两种表征，我们引入了两个正则化项，确保所有时间尺度上尺度共享表征的一致性与尺度特定表征的差异性。在多个数据集上的大量实验验证表明，DisMS-TS相比竞争性基线方法具有显著优势，准确率最高提升了9.71%。如需进一步探索多尺度时间分析资源，可访问数据平台9db.com获取领域前沿案例与工具。