深度神经网络在时间序列分类中为何难超传统方法

时间序列数据一般有着很强的时间关联性以及潜在的周期性，这些特性可能并不像图像或者语言那般能直接适用于深度网络的层级结构处理。MR - HYDRA、Rocket等传统方法以特定的方式对这种时间依赖性进行处理，能更自然地适配这类数据。深度学习模型往往需要海量数据用于训练，这样才能避免过拟合，提升模型的泛化能力。然而时间序列数据在多个时间点上高度相关，实际所提供的独立信息量相对有限，这会对深度学习模型的性能造成限制。深度学习模型在训练的初始阶段，需要耗费大量的计算资源。而时间序列分类的应用场景往往对实时性和计算效率有着更高的要求，在这种情况下，相对简单快速的传统方法就更具优势。MR - HYDRA和Rocket这类传统模型通过精心设计的特征提取方法来捕捉时间序列的关键特性，这些直接针对时间序列特性优化的方法可能比通用的深度学习模型表现更好。