一种基于shapelet的无监督多元时间序列表示学习框架

近期研究表明，多元时间序列的无监督表示学习（URL）具有很大前景，因为URL能够在不使用不可访问标签的情况下为许多下游任务学习可泛化的表示。然而，现有方法通常采用最初为其他领域（如计算机视觉）设计的模型来编码时间序列数据，并依赖强假设来设计学习目标，这限制了它们的表现能力。为解决这些问题，我们提出了一种新颖的多元时间序列URL框架，通过流行的对比学习范式学习基于时间序列特定shapelet的表示。据我们所知，这是首个在无监督通用表示学习中探索基于shapelet嵌入的工作。我们特别设计了一个统一的基于shapelet的编码器和一个具有多粒度对比与多尺度对齐的新颖学习目标来实现我们的目标，并采用了一个数据增强库来提升泛化能力。我们使用数十个真实世界数据集进行了大量实验，以评估在包括分类、聚类和异常检测在内的许多下游任务上的表示质量。结果表明，我们的方法不仅优于URL竞争对手，也优于专为下游任务设计的技术。我们的代码已公开于 https://github.com/real2fish/CSL。