无反向传播学习方法在时间序列分类中的系统评估

Miha Kapš、Blaž Bertalanić 和 Carolina Fortuna 将 DFA、DRTP 和 NoProp 三种无反向传播学习方法应用于单变量时间序列分类，并在 UCR 档案的 112 个数据集上进行系统评估。实验显示，三种方法的平均 F1 分数为 0.76 至 0.79，低于 ROCKET 的 0.83 和 InceptionTime 的 0.84。 三种方法的计算资源表现各有差异：DRTP 将训练浮点运算量减少 33%，但只有在时间序列长度超过约 700 个时间步时才训练得更快；DFA 没有降低计算开销；NoProp 将峰值内存占用减少 38%，代价是训练时间增加 48%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。