多元时间序列分类的解释方法评估
原文中文，约300字，阅读约需1分钟。发表于：。多元时间序列分类中的解释方法主要关注基于显著性的解释方法，通过分析 ROCKET 和 dResNet 分类器，以及 SHAP 和 dCAM 两种解释方法在不同数据集上的表现，发现多元数据集的平坦化对分类效果有积极影响，同时也注意到了合成数据集不适合进行时间序列分析。
时间序列分类是数据科学和知识工程中的关键问题。过去二十年来，研究者提出了许多新方法，包括相似度度量、区间、形状、字典、深度学习和混合集成方法。最近，还有一些工具用于从时间序列中提取无监督信息摘要统计。通过对112个时间序列数据集进行的10000次学习实验的结果分析，发现基于特征的方法与当前先进的TSC算法一样准确，应该在TSC文献中得到更多关注。
