少数类特征空间失效？LRG后处理模块让不平衡时间序列分类性能飙升！
Local Reference Geometry Residual Augmentation for Imbalanced Time Series Classification
📖 AI 总结
该研究针对时间序列分类中的类别不平衡问题，提出了一种名为局部参考几何（LRG）的轻量级后处理特征增强模块。作者识别出一种训练局部几何失效现象：在不平衡条件下，少数类样本在特征空间中可能处于稀疏、被多数类主导或混合的邻域，即使全局类别结构仍保持有效。LRG模块位于固定特征提取器与分类头之间，仅利用训练特征测量局部暴露度和类别混合风险，并通过带符号的邻域几何位移及LDA投影残差摘要增强原始特征。在UCR/Bake Off Redux不平衡基准上的实验表明，该方法对学习型、预训练型和固定表示均带来一致提升，且可与训练级干预和分类器校正方法叠加使用。消融实验证实增益来源于带符号的局部残差本身，而非原型距离或VLAD编码等替代方案，并验证了局部几何失效假设的合理性。
🔑 关键词速览
| Imbalanced Time Series Classification | 不平衡时间序列分类，指在时间序列数据中各类别样本数量差异显著时的分类任务。 |
| Local Reference Geometry (LRG) | 局部参考几何，一种后处理特征增强模块，通过局部几何信息修复不平衡下的特征空间失效。 |
| LDA-projected residual summary | 线性判别分析投影的残差摘要，用于提取特征空间中类别判别方向的残差信息。 |
| UCR/Bake Off Redux | UCR时间序列分类基准的更新版本，常用于评估时间序列分类算法。 |
| VLAD-style codes | VLAD（局部聚合描述符）风格的编码，一种基于局部特征聚合的表示方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅