Never a Dull Moment: Distributional Properties as a Baseline for Time-Series Classification
均值与标准差：时间序列分类的分布特征基线AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接比较时间序列的分布特征与动态特征在分类中的作用。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
均值与标准差：时间序列分类的分布特征基线
- 研究问题
- 复杂时间序列分类模型的表现，有多少可由忽略时间顺序的均值和标准差解释，何时需要额外使用动态信息？
- 方法与思路
- 作者仅用序列均值和标准差构建线性分类器，在一百二十八项单变量分类任务及神经影像案例中进行比较。
- 材料陈述的贡献
- 摘要称简单基线在六十九项任务中优于随机水平、两项达到完全准确，并在所述精神分裂症案例中优于加入动态特征的模型。
- 阅读关注点
- 应核对训练测试划分、随机水平的定义、任务间比较和影像数据预处理，以及动态特征模型是否得到公平调优。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供不确定性评估，不能据此认定时序动态在其他任务中无用。
原文摘要
The variety of complex algorithmic approaches for tackling time-series classification problems has grown considerably over the past decades, including the development of sophisticated but challenging-to-interpret deep-learning-based methods. But without comparison to simpler methods it can be difficult to determine when such complexity is required to obtain strong performance on a given problem. Here we evaluate the performance of an extremely simple classification approach -- a linear classifier in the space of two simple features that ignore the sequential ordering of the data: the mean and standard deviation of time-series values. Across a large repository of 128 univariate time-series classification problems, this simple distributional moment-based approach outperformed chance on 69 problems, and reached 100% accuracy on two problems. With a neuroimaging time-series case study, we find that a simple linear model based on the mean and standard deviation performs better at classifying individuals with schizophrenia than a model that additionally includes features of the time-series dynamics. Comparing the performance of simple distributional features of a time series provides important context for interpreting the performance of complex time-series classification models, which may not always be required to obtain high accuracy.