شهد مجال تصنيف السلاسل الزمنية (Time Series Classification) تقدمًا ملحوظًا بفضل النموذج الجديد "TimEE"، وهو نموذج أساسي يحتوي على 4.5 مليون معلمة يهدف إلى إجراء تصنيف شامل للسلاسل الزمنية من خلال التعلم في السياق (In-Context Learning).

يتبع هذا النموذج منهجية جديدة تعتمد على معالجة البيانات بشكل متكامل، حيث يتمكن من إخراج توزيع التصنيفات المتوقعة في خطوة واحدة فقط، دون الحاجة لتدريب مخصص لكل مجموعة بيانات. تعتبر هذه التقنية فعالة للغاية، حيث تتيح للنموذج الاستفادة من المعلومات التصنيفية أثناء الاستدلال، مما يجعله متقدمًا على النماذج التقليدية.

يندرج TimEE تحت إطار شبكة "Prior-Data Fitted Network" (PFN)، وقد تم تدريبه بشكل حصري على مهام تصنيف السلاسل الزمنية الاصطناعية، حيث تحتوي كل مهمة على سلاسل زمنية ذات هويات فئة متميزة نتيجة للتغيرات الهيكلية في العملية التوليدية. وعلى الرغم من عدم تعرض النموذج لسلاسل زمنية حقيقية أثناء مرحلة التدريب المسبق، إلا أن TimEE حقق المركز الأول في معيار ROC AUC، والثالث من حيث الدقة في معيار UCR بين جميع الطرق المقارنة، التي تشمل النماذج الأساسية والنماذج العميقة الخاضعة للإشراف.

بذلك، يُعتبر TimEE أول نموذج مدرّب بشكل أصطناعي بحت يحقق الأداء الرائد في معيار UCR، مما يفتح آفاقًا جديدة لتطبيق التعلم في السياق مع استخدام البيانات الاصطناعية كنقطة انطلاق. ويشير هذا الإنجاز إلى إمكانية استكشاف مجالات جديدة لتحسين تصميم النموذج وطرائق التوليد.

يمكنك الاطلاع على الشيفرة الخاصة بـ TimEE المتاحة للجمهور على هذا الرابط: [http://github.com/automl/timee] ونتوقع أن يكون لها تأثير كبير على كيفية معالجة تصنيف السلاسل الزمنية في المستقبل.