KFS-TUNE：基于内核的特征选择方法，用于提升时间序列分类的效率与准确性

《Knowledge-Based Systems》：KFS-TUNE: Kernel-based Feature Selection for efficiency and accuracy tuning in Time Series Classification

　　

Sofia Vei|Eleftherios Tiakas|Athena Vakali

摘要

时间序列分类需要能够在降低计算成本的同时保持高准确率的方法。KFS-TUNE通过将卷积核与有针对性的特征选择相结合，有效解决了这一难题，带来了计算复杂度降低和准确率提升等显著优势。在UCR数据集、UEA档案数据集、现实世界的LifeSnaps数据集以及高噪声合成数据集等多种测试环境中，KFS-TUNE都展现了出色的性能，例如在处理UCR档案中的ElectricDevices数据集时，仅需0.58分钟即可完成训练，同时仍在各类测试中保持较高的准确率。这些结果充分体现了KFS-TUNE作为时间序列分类任务中兼顾准确率与效率的基准方法的潜力，有助于提升分类质量并使其更适用于实际应用。