基于对比学习的张量时间序列的解耦模式特定表征
机器学习
2026-03-02 v1
摘要
多模式张量时间序列 (TTS) 在诸多领域都有出现，例如搜索引擎和环境监测系统。学习 TTS 的表征对各种应用都有益处，但也具有挑战，因为张量固有的复杂性阻碍了实现丰富的表征。本文提出了一种专为 TTS 设计的新型表征学习方法，称为 MoST。具体而言，MoST 使用张量分片方法来降低 TTS 结构的复杂性，并学习可解耦为单个非时间模式的表征。每个表征捕捉模式特定特征（即同一模式内变量之间的关系）和模式不变特征（即不同模式表征中共有的特征）。我们采用对比学习框架来学习参数；损失函数由两个部分组成，旨在以模式特定方式和模式不变方式学习表征，有效利用解耦表征作为数据增强。大量实验表明，MoST 在分类和预测准确率方面 consistently 优于当前最先进的方法。代码已提供，地址为 https://github.com/KoheiObata/MoST。
引用
@article{arxiv.2602.23663,
title = {Disentangled Mode-Specific Representations for Tensor Time Series via Contrastive Learning},
author = {Kohei Obata and Taichi Murayama and Zheng Chen and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2602.23663},
year = {2026}
}