面向时间序列分类的增强序列与图像对比学习
机器学习
2025-04-15 v1
摘要
时间序列分类（TSC）是时间序列分析中的重要任务。现有TSC方法主要在每个单一域上进行训练，当训练样本在某些域中不足时，准确率会下降。预训练和微调范式为解决此问题提供了可行的方向。然而，来自不同域的时间序列差异显著，这对在多源数据上进行有效预训练以及预训练模型的泛化能力提出了挑战。为处理此问题，我们引入基于增强序列和图像对比学习的时间序列分类框架（AimTS），学习从多源时间序列数据中提取可泛化表示的预训练方法。我们提出了一种基于两级原型的对比学习方法，有效利用多源预训练中的各种增强方式，学习适用于不同域的TSC表示。此外，鉴于单一时间序列模态的增强方式不足以完全解决分布迁移的分类问题，我们引入图像模态以补充结构信息，建立序列-图像对比学习，以提高所学表示在TSC任务中的泛化性。大量实验表明，经过多源预训练后，AimTS在各种下游TSC数据集上实现了良好的泛化性能，能够高效学习甚至在少样本场景下进行学习。
引用
@article{arxiv.2504.09993,
title = {AimTS: Augmented Series and Image Contrastive Learning for Time Series Classification},
author = {Yuxuan Chen and Shanshan Huang and Yunyao Cheng and Peng Chen and Zhongwen Rao and Yang Shu and Bin Yang and Lujia Pan and Chenjuan Guo},
journal= {arXiv preprint arXiv:2504.09993},
year = {2025}
}