Jun, 2022

利用专家特征进行时序表征的对比学习

PDF
TL;DR该论文介绍了一种新的对于时间序列进行特征学习的方法，该方法能够使用专家知识提取特征替代传统的数据变换方法，实验表明，该方法在无监督和半监督学习领域的表现优于现有的多个方法。
time-seriesrepresentation learningexpert featurescontrastive learningunsupervised learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 针对虚假阴性和类别不平衡的时间序列对比学习

    利用图结构和少标记数据执行半监督一致性分类，从而增强少数类的代表性，解决时间序列对比学习中的假阴性和类别不平衡问题。

    Dec, 2023

  • 基于自动对比学习策略的时间序列分析

    在本文中，我们提出了一种微软的自动机器学习（AutoML）实践，名为自动对比学习（AutoCL），它可以自动学习对各种时间序列数据集和任务进行对比学习表示。我们首先构建了一个覆盖数据增强、嵌入变换、对比对构建和对比损失的规范化的通用搜索空间，然后引入了一种高效的强化学习算法，用于从验证任务的性能中优化对比学习策略，以在搜索空间中获得更有效的策略。实验结果表明，AutoCL 能够自动找到适合给定数据集和任务的对比学习策略，并且我们还提供了实证分析作为未来对比学习策略设计的指导。

    Mar, 2024

  • 时间序列预测中构成良好对比学习的因素是什么？

    本文通过系统分析不同的自监督对比学习策略及变量间的相互作用，发现使用 Transformer 模型综合优化 Mean Squared Error (MSE) 损失和自监督对比学习 (SSCL) 是进行时间序列预测的最有效的方法，并可优化预测结果的准确性。

    Jun, 2023

  • 时间序列的自学习特征提取

    时间序列上的自我监督学习能够使得类似于自然语言处理和计算机视觉领域中最近释放的潜力发挥出来。通过使用基于 data2vec 自蒸馏框架的一个概念上简单而强大的非对比度方法，我们的方法展示了在分类和预测等下游任务上与 UCR、UEA 和 ETT 以及 Electricity 数据集上的最先进的自我监督学习方法相比的竞争力。

    Nov, 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

  • TimeTuner：时间序列预测中的时间表示的诊断及对立证明

    该论文提出了一种名为 TimeTuner 的新型可视化分析框架，用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联，并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制，展示了其在实际时间序列预测中的适用性。

    Jul, 2023

  • 时间序列的软对比学习

    提出了一种针对时间序列的简单而有效的软对比学习策略 SoftCLT，通过引入实例级和时间级的对比损失，使用从零到一的软分配来改进学习表示的质量，实验证明 SoftCLT 在分类、半监督学习、迁移学习和异常检测等各种下游任务中提高了性能。

    Dec, 2023