May, 2023

对比形态片段学习用于无监督多元时间序列表示学习

PDF
TL;DR本文提出了一种利用基于形状的表示学习在无监督的多变量时间序列领域中的框架，其中采用了流行的对比学习方式来学习时间序列特定的形状特征，并设计了新的多粒度对比和多尺度对齐的学习目标来实现我们的目标，同时采用数据增强库来提高泛化性能。实验结果表明，我们的方法不仅优于 URL 竞争对手，而且优于专门为下游任务设计的技术。
unsupervised representation learningmultivariate time seriesshapelet-based representationcontrasting learning paradigmdata augmentation
发现论文，激发创造
  • TimeCSL：无监督对比学习用于可探索时序分析的通用形态片段

    通过无监督对比学习来学习通用形状基于的表示，该方法在时间序列分类、聚类和异常检测等分析任务中表现出优越的性能，并通过 TimeCSL 系统使用户能够通过统一的流程解决不同的分析任务和探索学习到的形状基于的表示来获得对时间序列的洞察。

    Apr, 2024

  • 无监督多模态特征对齐的时间序列表示学习

    我们的研究提出了一种创新方法，通过对齐和绑定不同模态的时间序列表示，以引导神经编码器揭示这些多模态特征之间的潜在模式关联，从而解决了由于复杂的特征融合方法和对异质特征的依赖导致的扩展性问题，并在多个应用领域的不同时间序列数据集上验证了该方法的有效性。

    Dec, 2023

  • 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

  • 多维时序数据无监督可扩展表征学习

    通过一种无监督方法，提出了在长度和标签稀疏性方面都很具有可扩展性的编码器，通过时间负采样的三元损失组合将其与基于因果膨胀卷积的编码器结合，用于生成变长时间序列的通用表示，表现出了良好的质量、可转移性和实用性。

    Jan, 2019

  • 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

  • 时间序列的无监督表示学习综述

    无监督时间序列数据表示学习方法的文献综述及开放性研究挑战的综合分析，通过统一标准化库对其进行了实证评估，并讨论了实际考虑因素和未来研究方向。

    Aug, 2023

  • 通用时间序列表示学习调查

    使用深度学习从时间序列数据中提取隐藏模式和特征的研究现状和未来发展方向的综述。

    Jan, 2024

  • SS-shapelets: 代表性描迹的半监督时间序列聚类

    本研究提出了一种半监督时间序列聚类方法（SS-Shapelets），利用少量标记和传播伪标记的时间序列来发现代表性的形状片段，从而提高聚类准确性，并在 UCR 时间序列数据集上进行了验证。

    Apr, 2023

  • 非规则时间序列的通用可解释形态片段

    本研究扩展了形态子序列变换方法以处理不规则采样的多元时间序列，并通过连续时间公式学习形态子序列的长度和时间序列之间的相似度，同时保持了高效性和可解释性。

    May, 2020

  • 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