用于时间序列分类的无反向传播深度学习

arXiv:2610.41805v1 公告类型：新提交 摘要：用于时间序列分类（TSC）的深度神经网络几乎完全依赖误差反向传播进行训练，这会带来更新锁定和权重传输问题。Direct Feedback Alignment（DFA）、Direct Random Target Projection（DRTP）以及受扩散启发的 NoProp 等无反向传播学习规则放宽了这些约束，但它们几乎仅在二维图像基准上接受过评估。我们将这三种学习方法适配到采用一维卷积架构的单变量 TSC，并首次在 UCR 时间序列档案中的 112 个数据集上对它们开展系统研究，每种方法均采用一套经过超参数优化的配置。优化后的学习方法取得了 0.76 至 0.79 的平均 F1 分数，低于 ROCKET（0.83）和 InceptionTime（0.84）。我们提出了一套分析框架，将各数据集上相对于 InceptionTime 的性能差距与数据集属性关联起来，并通过将展平读出替换为全局平均池化来检验卷积特征学习能力，以相对于相同架构下反向传播对照的双重差分（DD）进行衡量。对于这三种学习方法，类内时间变异性都是与性能差距关联最一致的数据集属性（偏 Spearman $\rho$ 为 $0.28$ 至 $0.40$）。池化对 DFA 和 DRTP 的负面影响大于对反向传播的影响（DD 分别为 $-0.025$ 和 $-0.055$），这与其卷积特征接近随机的情况一致；而 NoProp 对池化的耐受程度与反向传播相当（DD 为 $+0.013$）。相较于相同架构下的反向传播，DRTP 将训练浮点运算次数（FLOPs）减少了 33%，但仅在序列长度超过约 700 个时间步时训练更快；DFA 未减少计算量；NoProp 则将峰值内存占用降低了 38%，代价是训练时间延长了 48%。