我们提出了 DE-TSMCL，这是一个创新的蒸馏增强框架，用于长序列时间序列预测，通过设计可学习的数据增强机制、提出具有动量更新的对比学习任务以及设计监督任务，联合优化多个任务，从而学习下游预测任务的有效表示，实验证明了 DE-TSMCL 的有效性，最大的改进达到 27.3%。

Jan, 2024

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

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。

Jun, 2022

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

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。

Jun, 2021

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

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

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

本研究提出了一种基于信息论的新的对时间序列数据进行自适应数据增强的对比学习方法 InfoTS，并在各种数据集上进行了实验以展示其强有力的性能表现。

Mar, 2023

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