面向时间序列的自动对比学习策略搜索

近年来，对比学习（CL）已成为时间序列领域主流的表示学习范式。大多数现有方法通过人工启发式，针对特定数据集和任务手动构建特定的对比学习策略（CLS）。然而，手动开发CLS通常需要对数据有过多的先验知识，并进行大量实验以确定具体的对比学习配置。本文介绍了微软的一项自动机器学习（AutoML）实践，该实践可自动为时间序列数据集和任务学习CLS，即自动对比学习（AutoCL）。我们首先构建了一个规模超过3×10¹²的原则性搜索空间，涵盖数据增强、嵌入变换、对比对构建和对比损失。进一步，我们引入了一种高效的强化学习算法，该算法根据验证任务上的性能优化CLS，以在搜索空间内获得有效的CLS。在多个真实世界数据集上的实验结果表明，AutoCL能够自动为给定的数据集和任务找到合适的CLS。从AutoCL在几个公共数据集/任务上找到的候选CLS中，我们组合了一个可迁移的通用良好策略（GGS），该策略对其他数据集具有很强的性能。我们还提供了实证分析，作为未来CLS设计的指南。