准周期时间序列的对比学习并非最优

尽管近年来在时间序列分析中取得了显著进展，但自监督学习（SSL）在实际性能方面仍存在与预期效果之间的明显差距。尽管这些方法在各种领域展现出强大的少标签泛化能力，但在仅凭有限标注记录区分不同类别时，效果尤为不足。我们的假设认为，这一瓶颈归因于对比学习（Contrastive Learning）的广泛使用，这是许多最新 SOTA 方法中共享的训练目标。通过强制要求来自不同记录的负样本表示之间具有差异性，该方法迫使模型编码独特的记录模式，同时忽略整个记录中发生的变化。为克服这一挑战，本文引入了面向准周期时间序列的蒸馍嵌入（DEAPS），即针对心电图（ECG）等准周期时间序列设计的非对比学习方法。通过避免使用负样本，我们不仅缓解了模型对时间变化的“盲视”，还能够集成一种“渐进损失（Lgra）”函数。这一函数引导模型有效捕捉整个记录中演化的动态模式。结果令人鼓舞，DEAPS 在仅提供少量标注记录时，相较于现有 SOTA 方法提升了约 10%。