小样本学习与时间序列分析的融合研究迎来关键突破！ICLR'2025微软亚洲研究院团队提出的时序自适应元学习框架，一举解决了传统时间序列模型依赖海量标注数据、小样本场景下泛化能力差的核心瓶颈，成了工业预测、医疗监测领域的新研究方向。

时间序列模型（如LSTM、Transformer）在电力负荷预测、患者心率异常监测中效果突出，但工业场景常因设备刚投产、医疗场景因病例稀缺，导致标注数据不足50条；而小样本学习虽擅长少数据学规律，却难适配时间序列的动态时序特征。新框架通过时序元特征提取模块先学习不同领域的时间序列共性规律，再用小样本数据快速适配具体任务，在某新能源电站的短期功率预测中，仅用30条历史数据就实现了92%的预测准确率，在儿童罕见病的心率异常监测中，更是将数据需求从200条压缩到40条，且误报率降低23%。

想发顶会的伙伴，可重点攻关跨领域时序元特征迁移、小样本动态阈值优化这两个方向，当前这些领域的深度研究较少，且直接对接产业痛点；我整理了10篇相关的前沿论文，顶会/顶刊论文＋部分官方代码打包免费送，工种号 沃的顶会 感兴趣的同学扫码回复 “小样本时序” 领取

EUROCROPS ML：A Time Series Benchmark Dataset For Few-Shot Crop Type Classification

文章解析

本文介绍了EUROCROPS ML，这是一个面向欧洲农业地块少样本作物类型分类任务的机器学习时间序列数据集。该数据集包含706,683个多类别标注数据点，覆盖176种作物类型，并提供了基于Sentinel-2 L1C卫星影像的年度时间序列数据以及空间坐标信息。与现有数据集相比，EUROCROPS ML具有跨国家、多类别、大规模和高时间分辨率的特点，旨在推动迁移学习和少样本学习在作物分类中的应用。

创新点

首次提供支持跨国家少样本学习的作物分类基准数据集。

包含176种作物类型的细粒度多类别标签，远超现有数据集。

提供每年高达216个时间步长的精细时间序列遥感数据。

基于统一的作物分类体系（HCAT），支持跨区域知识迁移分析。

研究方法

使用欧盟范围内的EUROCROPS数据集作为基础，整合农户申报的真实作物类型信息。

提取每个农业地块的Sentinel-2 L1C影像中位像素值构建时间序列数据。

对原始数据进行预处理，形成最终的706,683个数据点和对应标签。

采用标准化的作物分类体系（HCAT）确保不同国家间标签的一致性和可比性。

研究结论

EUROCROPS ML是目前最全面的遥感作物分类数据集，适用于评估迁移学习和少样本学习方法。

该数据集能够有效支持不同气候区和农业实践下的作物分类研究。

通过高质量的多类别标签和时间序列数据，为未来算法开发和性能比较提供了坚实基础。

Few-shot Learning using Data Augmentation and Time-Frequency Transformation for Time Series Classification

文章解析

本文提出了一种新颖的少样本学习框架，通过数据增强技术解决时间序列分类（TSC）任务中因数据不足导致的深度神经网络性能下降问题。具体方法包括：利用短时傅里叶变换（STFT）将时间序列转换为时频谱图，并结合随机擦除生成合成图像以扩充数据集。此外，作者设计了一个新的神经网络模型Sequence-Spectrogram Neural Network（SSNN），融合1D残差块处理原始时间序列和2D残差块处理谱图特征，从而同时提取时域与频域信息。实验表明，该方法在ALS数据集上取得了93.75%的F1分数和93.33%的准确率，在WTF数据集上分别达到95.48%和95.59%，验证了其有效性。 

创新点

采用STFT进行时频变换并结合随机擦除生成合成图像，有效缓解时间序列数据不足的问题。

提出Sequence-Spectrogram Neural Network（SSNN）模型，同时处理原始时间序列和谱图输入，联合提取时域和频域特征。

在真实世界数据集（ALS和WTF）上进行了充分实验，验证了所提方法在单变量和多变量时间序列分类任务中的性能。

研究方法

使用STFT将时间序列转换为时频谱图，丰富数据模态。

通过随机擦除对谱图进行数据增强，提升模型泛化能力。

构建SSNN模型，包含两个子网络：一个用于处理原始时间序列的1D残差块，另一个用于处理谱图的2D残差块。

将增强后的谱图与原始时间序列拼接作为模型输入，进行端到端训练和预测。

研究结论

所提出的少样本学习框架在时间序列分类任务中表现出色，尤其在数据稀缺场景下具有显著优势。

SSNN模型能够有效融合时域和频域信息，提高分类准确性。

通过STFT与时频谱图增强的方法可广泛应用于其他时间序列相关任务中。