ارزیابی ۱۱۲ مجموعه‌داده: یادگیری بدون پس‌انتشار در طبقه‌بندی سری زمانی بررسی شد

پژوهشی تازه در arXiv سه روش یادگیری بدون پس‌انتشار را برای طبقه‌بندی سری‌های زمانی بررسی کرده است: Direct Feedback Alignment (DFA)، Direct Random Target Projection (DRTP) و روش الهام‌گرفته از انتشار NoProp. نویسندگان می‌گویند این روش‌ها پیش‌تر تقریباً فقط روی معیارهای تصویری دوبعدی ارزیابی شده بودند.

پژوهشگران این روش‌ها را با معماری‌های کانولوشنی یک‌بعدی برای طبقه‌بندی سری‌های زمانی تک‌متغیره سازگار کردند و آن‌ها را روی ۱۱۲ مجموعه‌داده از آرشیو UCR سنجیدند. برای هر روش نیز یک پیکربندی با ابرپارامترهای بهینه‌شده به کار رفت. میانگین امتیاز F1 روش‌ها بین ۰٫۷۶ و ۰٫۷۹ بود؛ کمتر از امتیاز ۰٫۸۳ برای ROCKET. متن در دسترس چکیده پیش‌چاپ است و ادامهٔ مقایسه در دادهٔ منبع ارائه نشده است.