时间序列数据在工业设备、可穿戴设备、电网和临床监测等场景中以巨大的规模持续产生，但标注仍然依赖人工、成本高且需要专家。因而在大规模时间序列分析中，限制因素不是数据量而是标签量。实际工作中最关键的问题是：每个类别需要标注多少样本，分类器才能达到可用水平？
本文直接在标签空间固定且已知的前提下，研究仅使用每类 K 条标记样本构建决策规则的情形。我们提出 Dual-Stream OSSE-LSTM，一种基于 episodic 度量学习的框架。该框架将 Omni-Scale CNN（配合 Squeeze‑and‑Excitation 重标定）用于多尺度模式提取，避免对每个数据集进行卷积核调参；同时使用 双向 LSTM 捕获全局时间上下文。两条流的特征独立归一化后融合，形成面向原型的嵌入空间。
为了在少标签条件下保持可解释性，我们引入 Counterfactual Integrated Gradients (C‑IG)。C‑IG 不是对单一分类器的 logits 进行归因，而是对目标类与对立类原型之间的 margin 进行归因，并将得到的归因图作为软掩码，在测试时对原型进行细化，而无需更新编码器。
在 19 个单变量 UCR 数据集上实验表明，OSSE‑LSTM 在所有支持大小（K）下均取得最高的平均准确率和数据集胜率。其准确率在 0.36% 的波动范围内保持在 96.36%‑96.72%。即使在最弱配置下，也仍然超过所有对比基线在任意 K 时的最佳结果（93.99%）。
点评：该方法在标签稀缺的实际场景中表现出色，兼具高精度和可解释性，为大规模时间序列分类提供了实用的解决方案。