研究：冻结预测模型表征分类不敌非预训练强基线

Rishit Kar 等研究者发布对照基准研究报告：将预测基础模型 Reverso 与 Chronos-Bolt 作为冻结特征提取器用于时间序列分类，结果在 17 个设置中的 15 个输给最强的非预训练基线，其余 2 个打平，即冻结表征在任何设置下都未能稳定超过强基线。 该评测在 MONSTER 基准的六个大型数据集上进行，分别使用 1%、10% 和 100% 的训练标签。研究同时发现，预训练相比随机初始化权重的对应模型确有提升：在六个数据集中的五个上提高了分类准确率，最高提升 23 个百分点。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。