Dec, 2023

TimeDRL：多变量时序数据的解缠结表示学习

PDF
TL;DRTimeDRL 是一个通用的多变量时间序列表示学习框架，通过解耦的双层嵌入技术，利用预测和对比损失来学习时间戳级别和实例级别的嵌入，避免了数据增强方法引起的归纳偏差，并在多个实验中表现出优于现有方法的性能。
multivariate time-series dataself-supervised learningdisentangled embeddingsinductive biastime-series forecasting
发现论文，激发创造
  • 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

  • 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

  • 解耦表示学习

    本文综合性地回顾了基于直觉和群论的定义的 DRL，将 DRL 的方法学分为四组，最后分析了设计不同 DRL 模型的原则和未来研究方向。

    Nov, 2022

  • 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

  • 从视频中无监督地学习解缠表示

    DrNET 是一种用于学习从视频中生成分离图像表示的新型模型，通过利用视频的时间一致性和新型的对抗性损失函数来学习一种表示，该表示将每一帧分解为一个固定部分和一个随时间变化的成分，这种分离的表示可以用于一系列任务，例如将标准 LSTM 应用于随时间变化的成分，从而预测未来的帧。

    May, 2017

  • 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

  • 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

  • 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

  • 强化学习中的表示时间解耦以提高泛化能力

    通过引入时间分离（TED）作为强化学习辅助任务，可以更好地利用序列化 RL 观察结果，学习更健壮的表示形式，从而使 RL 算法对未知环境变量的变化更快地适应。

    Jul, 2022

  • 多粒度的时间序列无监督表示学习框架

    本文提出了一个无监督的框架，实现了时间序列的多粒度表征学习，通过跨粒度变换器将细粒度和粗粒度表征进行关联，引入检索任务作为无监督训练任务来学习时间序列的多粒度表征，并设计了一种新颖的损失函数来通过无监督学习获取综合的多粒度时间序列表征，实验证明该框架相比其他表征学习模型具有显著优势。

    Dec, 2023