C3RL：从表示学习角度重新思考通道独立与通道混合的结合
机器学习
2025-12-24 v2
摘要
多变量时间序列预测因其实际重要性而日益受到关注。现有方法通常采用通道混合(CM)或通道独立(CI)策略。CM策略能够捕捉变量间的依赖关系，但无法辨别变量特定的时间模式。CI策略改进了这一点，但无法像CM那样充分利用跨变量依赖关系。基于特征融合的混合策略泛化性和可解释性有限。为解决这些问题，我们提出了C3RL，一种新颖的表示学习框架，它联合建模了CM和CI两种策略。受计算机视觉中对比学习的启发，C3RL将两种策略的输入视为转置视图，并构建了一个孪生网络架构：一种策略作为主干，另一种作为补充。通过使用自适应权重联合优化对比损失和预测损失，C3RL平衡了表示性能和预测性能。在七个模型上的大量实验表明，C3RL将基于CI策略的模型的最佳性能率提升至81.4%，将基于CM策略的模型的最佳性能率提升至76.3%，展现了强大的泛化能力和有效性。
引用
@article{arxiv.2507.17454,
title = {C3RL: Rethinking the Combination of Channel-independence and Channel-mixing from Representation Learning},
author = {Shusen Ma and Yun-Bo Zhao and Yu Kang},
journal= {arXiv preprint arXiv:2507.17454},
year = {2025}
}
备注
Accepted by AAAI 2026