Ahamed和Cheng - 2025 - TSCMamba Mamba meets multi-view learning for time series classification论文https://www.sciencedirect.com/science/article/abs/pii/S1566253525001526代码https://github.com/Atik-Ahamed/TSCMamba什么是时间序列分类先举个生活中的例子想象一下医生查看心电图ECG来判断心脏是否健康。心电图就是一条随时间变化的曲线——这是典型的时间序列。时间序列分类就是让计算机学会“看”这类数据并自动判断它属于哪个类别比如“正常心跳”还是“心律失常”。类似的应用还有很多智能手表识别你在“走路”还是“跑步”语音助手听懂你说的是“打开灯”还是“播放音乐”金融系统检测交易是“正常”还是“欺诈”现有方法有什么问题过去科学家们开发了很多方法来解决这个问题但都存在一些不足只看时间不看频率很多方法只分析数据随时间的变化忽略了隐藏在频率中的信息就像听音乐只听节奏忽略了旋律计算太慢一些强大的模型如Transformer在处理长序列时计算量会爆炸式增长不够灵活对数据中的“平移”和“反转”不敏感——比如一个向左移动的手势和向右移动的手势可能被错误地认为是不同的东西TSCMamba一个更聪明的解决方案这篇论文提出的TSCMamba方法就像给时间序列分析配上了一套“多视角望远镜”和一个会跳“探戈”的大脑。我们一步步拆解1. 多视角学习从不同角度看数据想象你在看一幅画只看整体颜色可能不够还得看局部细节。TSCMamba同时从三个角度分析时间序列频域视角通过连续小波变换捕捉信号的“频率成分”而且具有“平移不变性”——无论信号在时间轴上怎么滑动提取的特征都一样局部时间视角通过ROCKET用随机卷积核捕捉局部模式比如心电图中的某个尖峰全局时间视角通过MLP用全连接网络捕捉整体趋势比如整个序列是上升还是下降TSCMamba还设计了一个“开关机制”根据数据特点自动选择使用局部特征还是全局特征做到因材施教。2. Mamba模型高效处理长序列的“新星”传统模型处理长序列时要么慢Transformer要么记不住远距离的关系RNN。而Mamba是一种新型的状态空间模型它有两大优点线性计算复杂度处理序列长度增加时计算量只线性增长不像Transformer那样平方级增长选择性记忆能动态决定记住哪些信息、忽略哪些噪音像人一样有重点地阅读3. 探戈扫描Tango Scanning让模型学会“倒着看”这是论文的一个亮点创新。很多时间序列数据正着看和倒着看同样有意义——比如心电图从前往后看和从后往前看都能反映心脏的健康状况。TSCMamba的“探戈扫描”机制就像两个人跳探戈舞一个人往前走另一个往后退两人配合完成整个舞蹈。模型同时处理原始序列和反转后的序列用同一个Mamba模块处理两个方向然后融合结果。这样做的好处数据翻倍相当于免费获得双倍训练数据增强鲁棒性模型能学习到方向无关的本质特征计算高效比传统双向模型节省一半参数4. 整体架构各模块如何协同工作TSCMamba的完整流程如下原始时间序列 ↓ ├─→ 连续小波变换频域特征 ├─→ ROCKET局部时间特征 └─→ MLP全局时间特征 ↓ 特征融合自适应加权 ↓ 探戈扫描 Mamba 模块双向处理 ↓ 分类输出实验结果真的有效吗论文在30个标准数据集上进行了测试覆盖心电图、语音、手势识别、EEG信号等多个领域。结果显示平均准确率比现有最好方法提升4.01%~7.93%在10个数据集上的排名第一远超其他20个基线模型计算量FLOPs大幅降低效率更高特别值得注意的是在某些传统模型表现不佳的数据集上如EthanolConcentration和HandwritingTSCMamba的领先优势非常明显说明它在处理复杂、不规则模式时更有优势。为什么这很重要TSCMamba的意义不仅在于“准确率更高”更在于它展示了几个重要方向多模态融合的力量把时间域、频率域、局部、全局信息结合起来能产生“112”的效果高效模型的价值在保证性能的同时降低计算成本让AI模型更容易部署到实际应用中方向不变性的启示很多现实数据其实没有“正向/反向”的绝对区别让模型学会这一点能提高泛化能力未来展望论文作者也提到了几个未来方向引入自监督学习减少对标注数据的依赖扩展到多任务学习一个模型解决多种问题在更多复杂数据集上验证比如天文观测、生物信息学等领域一句话总结TSCMamba像一个会用“多视角望远镜”看数据、会跳“探戈舞”的聪明大脑它能同时从时间、频率、局部、全局多个角度理解时间序列高效又准确地完成分类任务。希望这篇博客能帮你理解时间序列分类的最新进展。如果你对技术细节感兴趣欢迎查阅原论文发表于Information Fusion2025或者动手跑一跑他们开源的代码你有什么想法吗欢迎在评论区讨论