arXiv cs.AI·28 天前★ 2

OSSE-LSTM：标签高效时间序列分类

原文标题：Label-Efficient Time Series Classification at Scale: A Dual-Stream OSSE-LSTM with Counterfactual Attribution

重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

针对大规模时间序列分析中标注昂贵、受限于标签量的问题，提出Dual-Stream OSSE-LSTM，结合Omni-Scale CNN与SE重校准进行多尺度模式提取，配合双向LSTM捕捉全局时序上下文，并引入反事实积分梯度C-IG提升可解释性。在19个UCR数据集上各支持度下均取得最高平均准确率，波动仅0.36个百分点。

论文速读 · 四段结构cs.LG去论文速读 →

问题: 大规模时间序列分析中标注昂贵，每类需多少样本才可用。
方法: 双流 OSSE-LSTM：Omni-Scale CNN 加 SE 重校准做多尺度提取，双向 LSTM 建模全局上下文，并用反事实积分梯度 C-IG 解释与细化原型。
结果: 19 个 UCR 数据集上各支持度均取得最高平均准确率，波动仅 0.36 个百分点。
影响: 少标签场景下可直接替代逐数据集调参的时序分类方案，降低标注成本。