# 时间序列类增量学习

面向持续到来的新行为类别，TRACE 不再回放历史样本，也不扩张共享分类器，而是把冻结的时域—频域特征交给每个类别各自的小型自编码器，按重构误差判定类别。在五个多变量时序增量学习基准上，它的五数据集平均最终准确率为 88.85%，保留内存为 9.17 MiB；相比平均准确率最强的解析基线 TS-ACL，保留内存减少约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。

面向持续到来的新行为类别，TRACE 不再回放历史样本，也不扩张共享分类器，而是把冻结的时域—频域特征交给每个类别各自的小型自编码器，按重构误差判定类别。在五个多变量时序增量学习基准上，它的五数据集平均最终准确率为 88.85%，保留内存为 9.17 MiB；相比平均准确率最强的解析基线 TS-ACL，保留内存减少约 98.26%，并在 GrabMyo 上取得约 33.43% 的相对准确率提升。