DQeND

新研究解决了动态环境下的时间序列早期分类问题 · 跟踪2个来源

两篇新研究论文解决了非平稳环境下的时间序列数据早期分类的挑战。第一篇论文介绍了一种端到端的强化学习架构DQeND，该架构联合优化表示、分类和触发决策，在各种漂移场景中表现出鲁棒性。第二篇论文提出了FETERS，一个少样本学习框架，它选择最优停止比率，并结合了基于Rocket的特征和Chronos表示，在大量数据集上取得了最先进的性能，尤其是在监督有限的情况下。