في العقدين الماضيين، استحوذت نماذج التعلم العميق (Deep Learning Models) على انتباه كبير من قبل الباحثين في مجال تصنيف السلاسل الزمنية (Time Series Classification). وقد تمكنت هذه النماذج من تجاوز الطرق التقليدية المعتمدة على المسافات وحققت أداءً متميزًا. على الرغم من الوعد الذي تقدمه، أظهرت الدراسات أن نماذج الشبكات العصبية العميقة (DNN) تعتمد في كثير من الأحيان على الارتباطات الزائفة ضمن بيانات التدريب، مما يمكن أن يعيق القدرة على التعميم.

على سبيل المثال، قد يرتبط نموذج بشكل غير صحيح بين وجود العشب وعنوان "قطة" إذا كان مجموعة التدريب تحتوي على الغالبية من القطط التي تتواجد في خلفيات عشب.

ومع ذلك، لا تزال سلوكيات الاختصار (Shortcut Behavior) في نماذج السلاسل الزمنية غير مستكشفة بشكل كاف، حيث تركز معظم الأعمال الحالية على السمات الخارجية مثل الجنس ومجموعات المرضى، بدلاً من السلوك الداخلي المتحيز في نماذج السلاسل الزمنية.

في هذه الورقة، نتخذ الخطوة الأولى للتحقيق في سلوك التعلم بناءً على النقاط (Point-based Shortcut Learning Behavior) في تصنيف السلاسل الزمنية. نقدم أيضًا طريقة بسيطة للكشف عن حدوث الاختصارات تعتمد على فئة أخرى دون الحاجة للاعتماد على بيانات الاختبار أو الفئات التدريبية النظيفة. وقد اختبرنا الطريقة المقترحة لدينا على مجموعات بيانات السلاسل الزمنية من UCR.

من خلال هذا البحث، نسعى لتحسين فهم كيفية عمل نماذج التعلم العميق وتعزيز دقتها في تصنيف بيانات السلاسل الزمنية.