StatioCL：基于非平稳性与时序对比的时间序列对比学习
计算机视觉与模式识别
2024-10-16 v2
摘要
对比学习（CL）作为表示学习在时间序列数据中的热门方法，通过将相似对嵌入得 Closer，同时将不相似的对置于较远位置。然而，现有CL方法常因忽视内在特征特性而引入虚假负样本对（FNPs），并随机选取不同片段作为不相似对，导致表示学习错误、模型性能下降和整体效率低下。为此，本文首次系统定义并分类FNPs为语义虚假负样本对和时序虚假负样本对：前者源于忽视标签类别相似性，与非平稳性相联系；后者源于忽视时序相邻性。我们引入StatioCL，一种新型CL框架，通过捕获非平稳性和时序依赖性来缓解FNPs并纠正学习表示中的不准确性。通过解释和区分非平稳状态，这些状态反映了趋势或时序动力学与潜在数据模式之间的关联，StatioCL有效捕获语义特征并消除语义FNPs。同时，StatioCL基于时序依赖性建立细粒度相似性层级，以捕获片段间不同时序相邻性，从而缓解时序FNPs。在真实世界基准时间序列分类数据集上评估，StatioCL相对于最先进CL方法实现了显著提升，召回率提升2.9%，FNPs减少19.2%。更重要的是，StatioCL展现出增强的数据效率和对标签稀缺的鲁棒性。
引用
@article{arxiv.2410.10047,
title = {ChangeMinds: Multi-task Framework for Detecting and Describing Changes in Remote Sensing},
author = {Yuduo Wang and Weikang Yu and Michael Kopp and Pedram Ghamisi},
journal= {arXiv preprint arXiv:2410.10047},
year = {2024}
}