Sep, 2023
超越相似性的学习:在自我监督时间序列学习中融入正样本对的不相似性
Learning Beyond Similarities: Incorporating Dissimilarities between Positive Pairs in Self-Supervised Time Series Learning
Adrian Atienza, Jakob Bardram, Sadasivan Puthusserypady
TL;DR通过整合正样本之间的不同之处,本研究的自我监督学习方法 (DEBS) 在编码时间序列数据的固有静态特征方面表现出色,强调通过优化过程中的不同之处来实现对动态特征的更精细表达,应用于心电图 (ECG) 信号后能够显著提高房颤 (AFib) 的检测准确率,为推进适用于时间序列数据的自我监督学习方法开辟新的途径。