ChorusTIC: Training-Free Multivariate Time Series Classification via Chorus In-Context Learning
作者: Juntao Fang, Shifeng Xie, Ruichu Cai, Shengji Zheng, Zijian Li, Keli Zhang, Lujia Pan, Themis Palpanas, Zhifeng Hao
分类: cs.LG, cs.AI, stat.ML
发布日期: 2026-08-25
💡 一句话要点
提出ChorusTIC以解决多变量时间序列分类问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 时间序列分类 多变量输入 上下文学习 基础模型 工业监测 医疗应用
📋 核心要点
- 现有的时间序列分类方法通常需要为每个目标数据集拟合特定的分类器，导致效率低下。
- ChorusTIC通过上下文学习和共享双轴编码器，能够在不更新参数的情况下进行多变量时间序列分类。
- 在UEA-30和UCR-128数据集上的评估显示，ChorusTIC在全上下文和低标签性能上表现优异，且无需特定分类器拟合。
📝 摘要（中文）
时间序列分类在医疗、传感和工业监测等应用中至关重要。尽管时间序列基础模型支持预测和可转移表示学习，但分类通常需要针对每个目标数据集拟合特定的分类器，而多变量输入的各个通道往往独立编码。本文提出ChorusTIC，这是一种分类原生基础模型，能够在异构通道配置下进行上下文分类，而无需针对目标任务的参数更新。ChorusTIC结合了基于随机子通道插槽连接的情节一致性和共享双轴编码器，以建模时间和跨通道交互，并将可变通道配置映射为固定宽度的表示，独立于原始通道数量。它通过上下文导出的分布校准特征轴，并通过保护泄漏的上下文学习预测查询标签。我们仅在合成标记情节上对ChorusTIC进行预训练，评估结果显示在完整的UEA-30和UCR-128档案上表现出强大的全上下文和低标签性能，无需特定分类器拟合。
🔬 方法详解
问题定义：本文旨在解决多变量时间序列分类中，现有方法需为每个目标数据集拟合特定分类器的效率低下问题。现有方法往往独立编码多变量输入的各个通道，限制了模型的表现。
核心思路：ChorusTIC的核心思路是通过上下文学习和共享双轴编码器，能够在异构通道配置下进行分类，而无需针对每个任务更新模型参数。这种设计旨在提高模型的适应性和效率。
技术框架：ChorusTIC的整体架构包括情节一致性的随机子通道插槽连接和共享双轴编码器，能够建模时间和跨通道的交互。模型将可变通道配置映射为固定宽度的表示，确保输入的灵活性。
关键创新：ChorusTIC的主要创新在于其分类原生的基础模型设计，能够在不进行目标任务参数更新的情况下实现高效的多变量时间序列分类。这与传统方法的本质区别在于其上下文学习机制和特征轴校准。
关键设计：在模型设计中，ChorusTIC使用了上下文导出的分布来校准特征轴，并通过保护泄漏的上下文学习进行查询标签的预测。预训练阶段仅依赖于合成标记情节，确保模型的泛化能力。
🖼️ 关键图片
📊 实验亮点
在UEA-30和UCR-128数据集上的实验结果表明，ChorusTIC在全上下文和低标签性能上均表现出色，且无需进行目标特定的分类器拟合，显示出显著的效率提升。具体性能数据未提供，需进一步验证。
🎯 应用场景
ChorusTIC在医疗监测、工业传感和环境监测等领域具有广泛的应用潜力。其高效的多变量时间序列分类能力能够帮助相关行业快速处理和分析数据，提高决策效率。未来，ChorusTIC的设计理念可能推动更多领域的基础模型研究与应用。
📄 摘要（原文）
Time series classification underpins applications in healthcare, sensing, and industrial monitoring. Although time series foundation models support forecasting and transferable representation learning, classification still typically requires fitting a task-specific classifier on each target dataset, while individual channels of multivariate inputs are often encoded independently. We introduce ChorusTIC, a classification-native foundation model for in-context classification across heterogeneous channel configurations without target-task parameter updates. ChorusTIC combines episode-consistent Random Subchannel Slot Concatenation with a shared dual-axis encoder to model temporal and cross-channel interactions and map variable channel configurations into a fixed-width representation independent of the original channel count. It then calibrates feature axes using context-derived distributions and predicts query labels through leakage-protected in-context learning. We pretrain ChorusTIC solely on synthetic labeled episodes comprising context and query sets that share a task background, with classes distinguished by sparse temporal or cross-channel rules. Evaluations on the complete UEA-30 and UCR-128 archives show strong full-context and low-label performance without target-specific classifier fitting.