ROMAN: Multiscale‑Routing‑Operator optimiert Convolutional Time‑Series‑Modelle

Die neue Methode ROMAN (ROuting Multiscale representAtioN) bietet einen deterministischen Weg, Zeitreihen in kompakte Kanalstrukturen zu überführen. Dabei werden sowohl die zeitliche Skala als auch die grobe Positionsinformation in explizite Kanäle abgebildet, während die Gesamtlänge der Sequenz reduziert wird.

ROMAN baut eine anti‑aliasierte Multiskalenpyramide auf, extrahiert aus jeder Ebene feste Fensterlängen und stapelt diese als Pseudokanäle. Das Ergebnis ist eine kompakte Repräsentation, die Standard‑Convolutional‑Classifier wie MiniRocket, MultiRocket, klassische CNNs oder FCNs direkt nutzen können. Durch die gezielte Steuerung des induktiven Bias verringert ROMAN die zeitliche Invarianz, macht Pooling implizit positionsbewusst und eröffnet Multiskaleninteraktionen über Kanalmischungen – oft verbunden mit einer verbesserten Rechenleistung durch verkürzte Zeitachsen.

Die Autoren führen eine formale Analyse des Operators durch und evaluieren ihn anschließend als Vorverarbeitungsschritt für vier repräsentative Modelle. In synthetischen Klassifikationsaufgaben isolieren sie grobe Positionssensitivität, Langzeitkorrelation, Multiskaleninteraktion und vollständige Positionsinvarianz. Die Ergebnisse zeigen, dass ROMAN konsequent wie beabsichtigt funktioniert und besonders dann von Vorteil ist, wenn Klassensignale stark von der zeitlichen Struktur abhängen, die bei herkömmlichem Pooling unterdrückt wird.

Schließlich benchmarkt die Studie die Modelle mit und ohne ROMAN auf langen Sequenzen aus den UCR‑ und UEA‑Archiven. Die Ergebnisse demonstrieren, dass ROMAN die Leistung in realen Zeitreihenklassifikationsaufgaben signifikant steigern kann, während gleichzeitig die Rechenkosten gesenkt werden.