MantisV2 schließt Zero-Shot-Lücke in Zeitreihenklassifikation

Ein neues Modell namens MantisV2 setzt einen Meilenstein in der Klassifikation von Zeitreihen. Durch die Kombination synthetisch generierter Trainingsdaten und einer optimierten Encoder‑Architektur erreicht MantisV2 eine bisher unerreichte Zero‑Shot‑Leistung, die die bisherigen Modelle deutlich übertrifft.

Die Entwicklung begann mit Mantis+, einer Variante, die ausschließlich auf synthetischen Zeitreihen trainiert wurde. Anschließend wurden gezielte Ablation‑Studien durchgeführt, um die Architektur zu verfeinern und die Modellgröße zu reduzieren. Das Ergebnis ist MantisV2, ein leichterer, aber leistungsstärkerer Encoder, der sich besonders gut für Anwendungen mit begrenzten Ressourcen eignet.

Ein weiterer Schlüssel zum Erfolg ist die verbesserte Test‑Time‑Strategie. Diese nutzt Zwischenschichten des Modells und optimiert die Aggregation der Ausgabetoken. Zusätzlich steigert die Selbst‑Ensembling‑Methode sowie die Fusion von Embeddings aus verschiedenen Modellen die Genauigkeit weiter.

Umfangreiche Tests auf den Benchmark‑Datensätzen UCR, UEA, Human Activity Recognition (HAR) und EEG zeigen, dass MantisV2 und Mantis+ die bisher besten Zero‑Shot‑Ergebnisse erzielen. Damit ebnet das Modell den Weg für universelle Feature‑Extractor in einer Vielzahl von Anwendungsfeldern.