模型
TS2Vec-FM
基于TS2Vec改进的时间序列基础模型，采用膨胀卷积架构，参数量仅1.6M，支持冻结编码器线性探测，在多个时序分类基准上接近SOTA
时间轴 (近 90 天)
10月21日
TS2Vec-FM是一个参数量仅1.6M的膨胀卷积网络。
待验证50%
10月21日
TS2Vec-FM在冻结编码器、仅做线性探测的设置下，在UCR-128上达到83.3%的准确率。
待验证50%
10月21日
TS2Vec-FM在冻结编码器线性探测设置下超过了在每个目标数据集上单独训练的TS2Vec。
待验证50%
10月21日
TS2Vec-FM通过三项关键改造将TS2Vec转变为基础模型：在合成语料上预训练、双视角输入设计（原始振幅视图和实例归一化形状视图）、通过蒸馏融合为单编码器。
待验证50%
10月21日
TS2Vec-FM不使用注意力机制，不使用patch tokenizer，也不依赖中间层特征提取。
待验证50%
10月21日
TS2Vec-FM仅靠卷积编码器和两层MLP stem就实现了接近最优的性能。
待验证50%
全部知识事实 (6)
待验证
TS2Vec-FM是一个参数量仅1.6M的膨胀卷积网络。
50%待验证TS2Vec-FM在冻结编码器、仅做线性探测的设置下，在UCR-128上达到83.3%的准确率。
50%待验证TS2Vec-FM在冻结编码器线性探测设置下超过了在每个目标数据集上单独训练的TS2Vec。
50%待验证TS2Vec-FM通过三项关键改造将TS2Vec转变为基础模型：在合成语料上预训练、双视角输入设计（原始振幅视图和实例归一化形状视图）、通过蒸馏融合为单编码器。
50%待验证TS2Vec-FM不使用注意力机制，不使用patch tokenizer，也不依赖中间层特征提取。
50%待验证TS2Vec-FM仅靠卷积编码器和两层MLP stem就实现了接近最优的性能。
50%