English(EN) Multi-source Transfer Learning of Time Series with a Shapelet-based Distance Measure

新的形状元匹配方法改进了时间序列迁移学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-15 04:00

研究人员开发了一种名为形状元匹配（Shapelet Matching）的无训练方法，用于在时间序列迁移学习中选择源数据集。该方法识别目标数据集和潜在源数据集中的判别性形状元以量化相似性，旨在通过组合多个合适的源进行预训练来减轻负迁移。在UCR Archive上使用CNN和Transformer架构进行的评估表明，多源预训练降低了负迁移的风险，并且形状元匹配表现强劲，尤其是在CNN骨干网络上，同时避免了为每个源进行完全预训练的计算成本。 AI

影响通过优化迁移学习的源数据集选择，提高了时间序列分类的效率和准确性。

排序理由该集群包含一篇详细介绍时间序列迁移学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍时间序列迁移学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jiseok Lee, Brian Kenji Iwana · 2026-09-15 04:00

基于形状元的时间序列多源迁移学习距离度量

arXiv:2609.15148v1 Announce Type: new Abstract: Transfer learning is an effective technique for addressing data scarcity in deep learning for time series classification, but its success depends on the selection of source datasets. Conventional transferability estimation methods a…

本文如何被排名

报道来源 [1]

基于形状元的时间序列多源迁移学习距离度量

相关实体

相关话题