Jan, 2024

TRLS: 一种基于频谱图的医学信号处理时间序列表示学习框架

PDF
TL;DR通过使用频谱图，本文提出了一种基于时间序列（医学信号）的表示学习框架（TRLS），它能够从输入的时域医学信号中提取更具信息量的表示，通过时间频率 RNN（TFRNN）捕捉来自增强频谱图的更可靠的多尺度表示，同时通过最大化正样本之间的相似性来规避设计负样本的问题，实证表明 TRLS 优于现有的框架。
representation learningtime seriesmedical signal processingspectrogramtrls
发现论文，激发创造
  • 无监督时间序列表示学习：基于迭代双线性时域谱融合

    本研究提出了一种用于无监督 / 自监督时间序列表示学习的统一框架 BTSF，并通过使用实例级别数据增强和双线性时间 - 频谱融合等技术，优化目标函数，实现了对时间序列分类、预测和异常检测等多个任务的显著性能提升。

    Feb, 2022

  • 从像素到预测：频谱图和视觉变换器用于更好的时间序列预测

    通过使用时间频谱图作为时间序列数据的可视表示，使用视觉变换器进行多模态学习的一种新方法，与统计基线、深度学习方法、其他视觉表示方法和只使用时间序列作为输入的研究进行对比，表明利用频谱图作为时间序列数据的可视表示具有优势，并且同时学习时间和频率域的优势。

    Mar, 2024

  • 学习高斯混合表示用于张量时间序列预测

    本文研究了高维空间内的张量时间序列数据，开发了一种新的预测框架 GMRL，能够更好地管理时间、位置和来源变量，并已在实际数据集上得到了验证

    Jun, 2023

  • 通过无监督时间序列表示学习提高临床预测

    本研究探讨了无监督表示学习在医学时间序列上的应用，结果表明无监督表示学习可以优于端到端监督体系结构，使用序列到序列模型 (Sequence-to-Sequence, Seq2Seq) 的效果最佳，通过第一次在无监督学习的医学时间序列中使用集成注意力机制，实现了预测性 Seq2Seq 模型的最佳表现。

    Dec, 2018

  • 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

  • 时间序列表示模型

    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

  • 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

  • TimeDRL：多变量时序数据的解缠结表示学习

    TimeDRL 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。

    Dec, 2023

  • 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

  • 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