跳到正文
热点事件持续更新

arXiv论文提出TSC资源-质量评估框架与剪枝策略

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Raphael Fischer等在arXiv发布论文,提出衡量时间序列分类(TSC)中资源消耗与预测质量权衡的多维评估框架,并为Hydra、Quant等混合分类器设计了有界误差剪枝策略,同时提出结合区间表示、随机卷积与字典学习的新方法Hydrant。 基于20个MONSTER数据集、10种方法和3种计算环境的4000多个配置实验显示,剪枝可将能耗最多降低70%,预测质量仅轻微下降。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    面向可持续时间序列分类的剪枝扩展与效率权衡研究

    一篇 arXiv 论文提出多维度评估框架,用于衡量时间序列分类(TSC)中资源消耗与预测质量的权衡。作者为 Hydra 和 Quant 等混合分类器设计了有界误差剪枝策略,并提出结合区间表示、随机卷积与字典学习的新方法 Hydrant。基于 20 个 MONSTER 数据集、10 种方法和 3 种计算环境的 4000 多个配置实验显示,剪枝可将能耗最多降低 70%,预测质量仅轻微下降。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。