一份室性心动过速的十二导联心电图，宽大的波形在各导联中规律重复。心电图是对比剖面论文的案例领域之一。作者：Ksheka（英文维基百科）；来源：Wikimedia Commons；许可：CC BY-SA 2.5。
2026 年 10 月中旬，R 包 matrixprofiler 0.1.12 与 tsmp 0.5.1 先后登上 CRAN：重计算交给 C++17 多线程引擎，并新增相对频率对比剖面（RFCP），用来在弱标注时间序列中找出“正类常见、负类少见”的片段。开发者自报部分算法提速约 200 倍，尚无独立基准；原论文显示 RFCP 在标准分类基准上多数不及 fast shapelets，优势在弱标注场景。
两次发布与分工调整
matrixprofiler 0.1.12 于 2026 年 10 月 14 日在 CRAN 发布，tsmp 0.5.1 于 10 月 16 日发布，两者均由 Francisco Bischoff 维护，代码托管在 Matrix Profile Foundation 的 GitHub 组织下。10 月 16 日，Bischoff 在个人博客发表《tsmp Is Back》介绍这次重组，R-bloggers 随后转载。矩阵剖面（Matrix Profile）是加州大学河滨分校 Eamonn Keogh 团队提出的时间序列分析框架：对每个长度为 m 的滑动窗口，记录它与序列中最相似片段之间的距离，据此寻找反复出现的模式（motif）和孤立的异常片段（discord）。
这次更新的核心是分工。matrixprofiler 承担 STOMP、MPX、MASS、MPdist 等底层计算，以 C++17 编写并通过 RcppThread 原生多线程；tsmp 保留 motif、链、语义分割、snippet 与绘图等面向分析者的接口，日常写法 tsmp(series, window_size = 80) 不变。tsmp 的 NEWS 写明新版改为纯 R 实现（NeedsCompilation: no），但截至 10 月 17 日，CRAN 页面的元数据仍显示 NeedsCompilation: yes，Windows r-release 二进制也仍是 tsmp 0.4.16 和 matrixprofiler 0.1.10，各平台构建尚未完全同步。
对比剖面与 RFCP 的思路
对比剖面（Contrast Profile）来自 Ryan Mercer、Eamonn Keogh 等人在 ICDM 2021 发表的短文，2022 年扩展发表于 Data Mining and Knowledge Discovery。它针对一类常见的弱标注问题：分析者只知道某段记录里“有”目标行为（正类 T⁺），另一段里“没有”（负类 T⁻），却说不清行为具体发生在哪几秒。算法对 T⁺ 中每个子序列算两个最近邻距离，用它到 T⁻ 的最近距离减去它在 T⁺ 内部（排除与自身重叠的平凡匹配）的最近距离，再除以 √(2m) 归一化。差值最大的子序列称为 Plato，可作为目标行为的候选模板。
经典对比剖面要求 T⁺ 至少包含两次目标行为、T⁻ 一次也没有；论文明确指出，只要 T⁻ 里混入一次目标行为，它就找不到有意义的 Plato。相对频率对比剖面（RFCP）把条件放宽为“目标行为在 T⁺ 中比在 T⁻ 中更频繁”：它不只看第 1 近邻，而是比较两边第 K 个互不重叠的近邻距离，K 的上限由 max_freq 设定。打个比方，经典方法问的是“这个动作是否只在实验组出现”，RFCP 问的是“这个动作是否在实验组反复出现，而在对照组只是偶尔出现”。
matrixprofiler 此次提供 RFCP 的原生实现 rfcp()，以及迭代发现多个模式的 rfcp_top_k()：每找到一个 Plato，就把它和它在 T⁺ 中的近邻并入负类并设置排除区，再搜索下一个，避免 Top-K 结果只是同一形态的几个重叠峰值；长任务还可分块计算并通过回调保存断点。需要说明，经典对比剖面函数 contrast() 早在 matrixprofiler 0.1.8 就已加入，并非本次新增；目前也没有对应的 contrast_top_k()，需要多个经典 Plato 时要由用户自己写循环。
对比剖面示意：同一波形在正类序列 T⁺ 中反复出现、在负类序列 T⁻ 中缺失时，对比剖面在对应位置取得峰值，得分最高的子序列即 Plato。示意图根据 Mercer 等人 2022 年论文的定义绘制，并非论文原图。AI 生成示意图。
速度、正确性与分类效果的证据
速度方面的证据全部来自开发者在 NEWS 中的自述，属于自测而非独立基准。matrixprofiler 0.1.12 称原生多变量 STOMP 比旧版纯 R 实现快约 197 倍（tsmp 的 NEWS 写作约 200 倍），滑动窗口最小值等环节改用线性时间算法后提速 10 到 100 倍以上；开发版 0.1.11.9009 记录 RFCP 的 CUDA 后端比单线程 CPU 快 12 倍以上。NEWS 没有给出测试硬件、数据规模和重复次数，这些倍数只能当作量级参考，用户应在自己的数据和机器上复测。
正确性方面，NEWS 记录了几类回归测试：CUDA 版 RFCP 与 CPU 实现对照，在真实数据上 Plato 位置一致，距离剖面差异在 10⁻¹⁴ 量级；含缺失值的 MPX 路径与 STAMP 及一个独立的暴力实现做随机压力测试。这类测试说明不同实现之间结果一致，并不评价方法本身的好坏。
方法效果要回到 2022 年的期刊论文。在 UCR 档案的 Trace 数据集上，经典对比剖面用单一窗口长度时错误率为 0.17，改用多窗口长度和多近邻后降到 0.02；作为对照，论文引用的 logical shapelets 与 fast shapelets 错误率分别为 0.01 和 0.09。在 24 个 UCR 数据集上比较 RFCP Plato 与 fast shapelets 的准确率时，作者坦言多数数据点偏向 fast shapelets，并说明这项对比的目的不是证明更优，而是显示 Plato 的类别描述能力与 shapelets 相当。运行时间方面，Trace 数据集（100 条样本、每条长 275）单核完整运行，fast shapelets 用时 158 秒，经典对比剖面 17 秒，RFCP 673 秒。
因此，RFCP 的价值不在标注干净的数据上拼分类精度，而在 shapelets 难以处理的弱标注、未切分的长序列。论文用昆虫取食、鸡只行为、心电图和地震事件等案例展示了这类用途，但在标准基准上的结论是“相当”而不是“更好”；作者认为 UCR 档案标注噪声低、未能体现对比剖面的优势，这一判断在文中没有配套的对照实验。
适用边界与迁移成本
- 数据条件：需要能拼出 T⁺ 和 T⁻ 两段序列。经典版对 T⁻ 的“纯净”要求严格，RFCP 放宽了这一条件，但要设定
max_freq。多个类别共享部分特征时（论文以 MALLAT 数据集为例），按最相似 Plato 分类容易混淆，基于信息增益的 shapelets 决策树更占优势。 - 计算成本：论文给出的复杂度是经典对比剖面 O((nm)²)，RFCP 再多一个 log(nm) 因子，长序列需要依赖多线程或 GPU。CUDA 后端须从 GitHub 源码手动编译，CRAN 版不会自动启用，安装后可用
matrixprofiler::has_cuda()检查。 - 并行方式：0.1.12 的 NEWS 提示，基于 fork 的并行 worker 与原生线程存在冲突风险，跨多条序列并行时建议使用 PSOCK 集群、每个进程设
n_workers = 1。 - 旧代码迁移：旧脚本如果创建 doSNOW 集群，或把无效索引当作 -1，需要改用
n_workers参数和 R 的NA_integer_；JSON 读写函数也已改名为write_json()和read_json()。