无反向传播学习在时间序列分类上的系统评测

无反向传播方法在时间序列分类上仍落后反向传播基线

资讯摘要

论文将DFA、DRTP与NoProp三种无反向传播学习规则适配到一维卷积架构的单变量时间序列分类，在UCR档案112个数据集上做首次系统评测。优化后平均F1为0.76至0.79，低于ROCKET的0.83和InceptionTime的0.84；类内时间变异性与差距关联最一致。DRTP训练FLOPs降33%，NoProp峰值内存降38%但训练时长增48%。

要点速读

1. 三种无反向传播学习规则在112个UCR数据集上平均F1为0.76至0.79，低于ROCKET（0.83）和InceptionTime（0.84）
2. 类内时间变异性是与性能差距关联最一致的数据集属性，偏Spearman相关系数为0.28至0.40
3. 相对同架构反向传播，DRTP减少33%训练FLOPs，NoProp降低38%峰值内存但训练时间延长48%

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。