IJCAIJun, 2021

时间序列表示学习：基于时间和上下文对比的方法

PDF
TL;DR本文提出了一种通过时间和语境对比（TS-TCC）的无监督时间序列表示学习框架，该框架可从未标记数据中学习时间序列表示，其中包括弱和强扩充转换的两个不同但相关的视图，并提出了一种新的时间对比模块和一个上下文对比模块来学习稳健的时间表示和判别性表示。
unsupervised learningtime-series representation learningtemporal dynamicsaugmentationcontextual contrasting
发现论文，激发创造
  • 多任务自监督时间序列表示学习

    本文提出了一种新的时间序列表示学习方法，通过自监督任务的上下文、时间和转换一致性，结合不确定性加权方法，实现了多任务学习和跨领域传递学习，进而在时间序列分类、预测和异常检测等下游任务中取得了更好表现。

    Mar, 2023

  • 图形背景对比多元时间序列分类

    我们提出了一种名为 Graph Contextual Contrasting (GCC) 的方法，用于确保多元时间序列数据中的空间一致性和时间一致性，并在各种 MTS 分类任务中取得了最先进的性能。

    Sep, 2023

  • 使用有监督对比时间转换器进行时间序列表示学习

    我们提出了一种称为 SCOTT 的简单而新颖的融合模型，用于学习标记时间序列数据的表示，通过合适的数据增强方法和 Transformer 与 Temporal Convolutional Networks 的组合，实现了全局和局部特征的高效学习，同时证明了 SCOTT 在时间序列分类和在线变点检测问题上的优越表现。

    Mar, 2024

  • TimesURL: 通用时间序列表示学习的自监督对比学习

    学习能够适用于各种不同类型下游任务的通用时间序列表示是具有挑战性但有价值的，本研究提出了一种名为 TimesURL 的自监督框架，利用增强方法、负样本构建和损失设计来学习高质量的通用表示，并在 6 个不同的下游任务中达到最先进的性能。

    Dec, 2023

  • STS-CCL：城市交通预测的时空同步上下文对比学习

    本文提出了一种基于空间 - 时间同步对比学习（STS-CCL）模型的高效方法，通过图数据的增强和同步对比模块实现了复杂的空间 - 时间表示的捕获，进而在交通预测任务中取得了优越的性能。

    Jul, 2023

  • 混合对比学习：时序的自监督表示学习

    提出了一种新的基于对比损失的无监督表示学习框架，并通过利用数据增广方案生成新样本来优化损失函数，实现混合样本的预测任务，以利用软目标进行学习。实验结果表明本方法在单变量和多变量时间序列上的表现优于其他表示学习方法，并展示了它对于临床时间序列的传递学习的好处。

    Mar, 2022

  • 时间循环一致性学习

    本文提出了一种基于自我监督学习的视频时序对齐表征学习方法，其通过训练神经网络使用时间循环一致损失（TCC）来找到多个视频之间在时间上的对应关系，从而得到每一帧的表征，可用于快速地对视频进行对齐和分类。该方法在少量监督数据和其他自监督方法上都有较好的表现，同时还可用于多种视频应用领域的数据同步和异常检测。

    Apr, 2019

  • 弱监督时间路径表示学习与对比课程学习 — 扩展版

    本研究提出一种弱监督对比学习模型，通过构造有意义的正负时空路径样本来训练具有空间和时间信息的时间路径编码器，以获得通用的时间路径表示，用于智能城市应用的不同任务，同时采用课程学习策略来指导对比学习

    Mar, 2022

  • TCLR: 视频表征的时序对比学习

    本研究提出了一种新的时间对比学习框架，采用两个新的损失函数以提高现有自监督视频表示学习方法的性能，其中局部 - 局部时间对比损失和全局 - 局部时间对比损失实现了在各种下游视频理解任务中的显着改进。

    Jan, 2021

  • CLeaRForecast：对时间序列预测的高纯度表示进行对比学习

    提出了 CLeaRForecast，一个新颖的对比学习框架，通过提供更纯净的时间序列表示和净化方法，解决了时间序列数据中存在的高影响噪声导致的表示不准确和预测性能下降的问题。实验证明 CLeaRForecast 在各种下游时间序列预测任务中具有卓越的性能。

    Dec, 2023