arXiv cs.AI· Gerardo Pastrana, Haojun Li, Dhruv Mehta, Anoushka Vyas, Sina Khoshfetrat Pakazad, Henrik Ohlsson, John Paparrizos·· 9 天前AI 评分22
READ-Bench：面向时间序列诊断的历史实例检索基准
READ-Bench: Benchmarking Historical Instance Retrieval for Time-Series Diagnosis
AI 导读
研究者推出 READ-Bench，一个覆盖 12 个诊断数据集、以多变量时间序列为核心的历史案例检索基准，按共享故障或事件类型而非信号形状定义相关性。在统一协议下，预训练表示在纯检索上相对强经典与符号基线无统计显著优势，决定性因素是重排序阶段少量已解决案例监督——高斯过程重排序器在嵌入空间传播少量邻居标签，效果远超更复杂表示或语言模型推理。
正文 · AI 翻译
摘要：时间序列诊断系统很少依赖检索相关历史案例，即便依赖，检索也只是通过下游预测被间接评估。我们提出了 READ-Bench，一个面向 12 个诊断数据集的历史案例检索基准，以多变量时间序列为核心，其相关性由共享的故障或事件类型而非信号形状来定义，因此同一故障在视觉上不同的轨迹算作相关，而不同故障的相似轨迹则不算。将检索视为基础检索器后接重排序器，我们在同一协议下评估了经典距离、符号检索器、自监督与基础模型嵌入器及其融合，以及标签感知和语言模型重排序器，并改变监督、污染和语料规模进行显著性检验。在统一的通道独立接口下，预训练表示在仅搜索时相较强经典和符号基线并未提供统计上可检测的优势。决定性因素是重排序时少量已解决案例的监督，即一个高斯过程重排序器，它在嵌入空间中传播少量邻居标签，其帮助远大于更复杂的表示或语言模型推理，并且在污染下和完整语料规模下依然成立。基于这些发现，我们通过倒数排名融合将一个正常残差评分嵌入器与一条动态时间规整分支融合，然后用高斯过程重排序器重排序，在全部 12 个数据集上将其自身搜索阶段的 NDCG@10 提升，重排序带来 +0.11，相较最强单一基础检索器提升 +0.16。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2609.32123 [cs.AI] |
| （或 arXiv:2609.32123v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.32123 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Anoushka Vyas [查看邮箱]
[v1]
2026年9月26日星期六 00:53:42 UTC（1,097 KB）
[v2]
2026年10月8日星期四 04:57:53 UTC（1,097 KB）
来源：arXiv cs.AI · arxiv.org