本文提出 SimPer 自监督学习方法，针对自然界中周期变化的过程，通过定制增强、特征相似度度量和对比损失函数等手段，学习数据中的周期信息，并在人类行为分析、环境感知和医疗领域中的常见真实世界任务中得到了验证和应用。
Oct, 2022
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
研究利用自监督学习扩展传统监督模型，以应对移动感知环境中许多传感器持续产生的大量数据和标注数据不足的挑战，通过一个未标注的时间序列数据集来抽取特征并预测带有标签的数据，研究结果表明在四种公共数据集上对于不同类型的传感器和应用，选择不同大小及来源的未标注数据会对最终的分类预测性能产生影响。
May, 2023
我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供了一种基于梯度的诊断技术来帮助确定根本原因。
Jun, 2024
本文针对弱监督异常检测进行研究，利用自监督学习策略，通过对同一视频序列数据进行不同变换来使模型获得相同的分数，并通过实验证明这种对齐方式可以提高模型在 XD-Violence 数据集上的性能表现。
Aug, 2022
通过使用循环数据，本文提出了 CycleCL，一种特定设计用于周期性数据的自我监督学习方法。该方法利用预训练特征从同一个阶段近似采样一对帧以及不同阶段的负对帧，并通过优化特征编码器和重新采样三元组的方式来学习具备所提到的期望特性的特征。在工业和多个人类动作数据集上的评估表明，CycleCL 在所有任务中显著优于以往的基于视频的自我监督学习方法。
提出了一种称为 Floss 的无监督方法，通过自动在频率域中规范学习到的表示，用于捕捉时间序列中的周期性动态和改进深度学习模型。
Aug, 2023
利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。
Apr, 2024
通过自动化调整数据增强技术进行时间序列异常检测，以提高无监督模型的性能。