长信号序列分类场景下窗口标注低准确率的优化算法问询

你的现有方案准确率低的核心原因是：固定窗口切分+事后硬规则打标签的流程损失了原始信号的边界关联信息，且训练阶段没有将标签优先级规则纳入模型逻辑，预测和规则要求不匹配。以下是适配场景的技术方案：

技术优化路径 #

• 替换窗口分类为端到端序列标注
  放弃预先切窗口打标签的预处理步骤，直接使用1维时序序列模型学习原始信号和逐点标签的对应关系，可选模型包括1D U-Net、时序卷积网络（TCN）、BiLSTM-CRF，这类模型可以捕获长距离的信号特征关联，避免窗口切分带来的信息损耗。
• 将标签优先级规则嵌入全流程
  • 训练阶段：自定义损失权重，将高优先级标签A的损失权重设置为其他标签的3~10倍，也可以使用Focal Loss替换普通交叉熵损失，强制模型优先学习稀有高优先级标签的特征，解决样本不均衡问题。
  • 预测后处理阶段：对模型输出的逐点预测结果，按照你指定的优先级规则做窗口聚合，完全对齐规则要求，不会出现逻辑冲突。
• 补充信号数据增强
  针对1维信号可使用加噪、缩放、时间轴平移、局部翻转等增强方式扩充训练集，进一步提升模型泛化能力。

适配规则的后处理代码示例 #

import numpy as np

def aggregate_window_label(window_point_preds: list) -> str:
    """
    输入单个窗口的逐点预测标签列表，输出符合优先级规则的窗口标签
    """
    pred_set = set(window_point_preds)
    # 优先级1：存在A则返回A
    if "A" in pred_set:
        return "A"
    # 优先级2：存在V 或 所有非0标签都是N，返回V
    elif "V" in pred_set or np.all(np.array(window_point_preds)[np.array(window_point_preds) != "0"] == "N"):
        return "V"
    # 其余情况返回未分类
    else:
        return "~"

内容的提问来源于stack exchange，提问作者user2129623