通用时间序列表示学习调查
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
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
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。
May, 2023
我们提出了一种基于内省的时间序列分析的新架构概念,其中关键是自监督预训练的时间序列表示模型(TSRM),可以在自动化和资源高效的方式下进行定制和微调,以实现特定任务,如预测和插补。我们的架构通过灵活和分层的表示学习过程对抗缺失数据和异常值,能够捕捉和学习给定时间序列类别(如心率数据)的结构、语义和关键模式的本地和全局特征。与现有方法相比,我们的架构提高了插补和预测误差,分别高达 90.34%和 71.54%,同时减少了可训练参数高达 92.43%。
May, 2024
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
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
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