مدل‌های پیش‌بینیِ ازپیش‌آموزش‌دیده در طبقه‌بندی سری زمانی از خط‌پایه‌های قوی عقب ماندند

پژوهشگران در پیش‌چاپی در arXiv، دو مدل پیش‌بینیِ ازپیش‌آموزش‌دیدهٔ Reverso و Chronos-Bolt را به‌عنوان استخراج‌کنندهٔ ثابتِ ویژگی برای طبقه‌بندی سری‌های زمانی بررسی کردند. در این ارزیابی، شش مجموعه‌داده از بنچمارک MONSTER و سه سطح دادهٔ برچسب‌خورده—۱، ۱۰ و ۱۰۰ درصد—به‌کار رفت و نتایج با چهار روش جاافتادهٔ طبقه‌بندی و نسخه‌های دارای وزن تصادفی از همان مدل‌ها مقایسه شد.

پیش‌آموزش در پنج مجموعه‌داده از شش مورد، دقت را نسبت به نسخه‌های تصادفی بالا برد و بیشترین بهبود به ۲۳ واحد درصد رسید. بااین‌حال، بازنمایی‌های ثابت مدل‌ها در هیچ‌یک از وضعیت‌های آزموده‌شده به‌طور قابل‌اتکا از قوی‌ترین خط‌پایهٔ بدون پیش‌آموزش بهتر نبودند: در ۱۵ مورد از ۱۷ وضعیت عملکرد ضعیف‌تری داشتند و در دو مورد با خط‌پایه برابر شدند.

آزمایش‌های تکمیلی نشان دادند بازگرداندن اطلاعات دامنهٔ سیگنال بخشی از فاصلهٔ عملکرد را کم می‌کند؛ اما تنظیم دقیق مدل و استفاده از ویژگی‌های خطای پیش‌بینی این فاصله را از میان نبرد. نویسندگان بر اهمیت مقایسه با خط‌پایه‌های تخصصی و نسخه‌های دارای وزن تصادفی در ارزیابی مدل‌های پیش‌بینی برای طبقه‌بندی تأکید می‌کنند. این مقاله پیش‌چاپ است و در کارگاه FMLTS کنفرانس Asian Conference on Machine Learning سال ۲۰۲۶ ارائه شده است.