SelF-Rocket动态选择最佳输入表示与池化方式，提升时间序列分类速度与准确率。

Time series classification with random convolution kernels: pooling operators and input representations matter

• 动态筛选最优输入表示与池化操作组合
• 在UCR基准上达到当前最好分类精度
• 适合需要快速高精度时间序列分类的场景

本文提出一种基于MiniRocket的新方法SelF-Rocket，用于高效时间序列分类（TSC）。与现有基于随机卷积核的方法不同，SelF-Rocket在训练过程中动态选择最佳的输入表示与池化算子组合。该方法在加州大学欧文分校（UCR）时间序列分类基准数据集上实现了当前最优的分类性能。实验表明，通过自适应选择输入表示与池化策略，模型能更有效地提取时序特征，显著提升分类准确率，同时保持极低的计算开销。本方法为快速、高精度的时间序列分类提供了新范式。

原文摘要 · Abstract (English)

This article presents a new approach based on MiniRocket, called SelF-Rocket, for fast time series classification (TSC). Unlike existing approaches based on random convolution kernels, it dynamically selects the best couple of input representations and pooling operator during the training process. SelF-Rocket achieves state-of-the-art accuracy on the University of California Riverside (UCR) TSC benchmark datasets.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。