用于有监督深度时间序列哈希的自适应 von Mises-Fisher 似然损失
机器学习
2025-09-25 v1
摘要
通过创建紧凑的二进制表示来索引时间序列是时间序列数据挖掘中的一项基本任务。近年来，基于深度学习的哈希方法已被证明能有效地根据语义而非仅仅是原始相似性来索引时间序列。深度哈希的目的是将具有相同语义的样本映射到相同的二进制哈希码，从而实现更高效的搜索和检索。与其他有监督表示学习方法不同，有监督深度哈希需要一个离散化步骤将实值表示转换为二进制码，但这可能导致显著的信息损失。在本文中，我们提出了一种 von Mises-Fisher (vMF) 哈希损失。所提出的深度哈希模型将数据映射到一个 M 维超球面空间，以有效减少信息损失，并将每个数据类建模为遵循不同 vMF 分布的点。设计的损失旨在最大化每个建模的 vMF 分布之间的分离度，从而提供一种更好的方法来最大化每个语义不同的数据样本之间的间隔。实验结果表明，我们的方法优于现有的基线方法。实现代码已在 https://github.com/jmpq97/vmf-hashing 上公开。
引用
@article{arxiv.2509.19625,
title = {Adaptive von Mises-Fisher Likelihood Loss for Supervised Deep Time Series Hashing},
author = {Juan Manuel Perez and Kevin Garcia and Brooklyn Berry and Dongjin Song and Yifeng Gao},
journal= {arXiv preprint arXiv:2509.19625},
year = {2025}
}
备注
6 pages, 6 figures, Conference: ICMLA 2025