无数据增强学习稳健时序特征：Divide and Contrast
机器学习
2026-05-21 v1
摘要
自监督时序表示学习旨在减少对标注数据的依赖，同时保持强大的下游性能，但许多现有方法计算成本高昂，或依赖于不适用于多样化时序动力学的假设。本文引入Divide and Contrast（Di-COT）框架，无需数据增强即可实现时序特征学习。Di-COT通过对窗口内的各类信息子结构进行对比，而非单个时间步，避免数据增强和多次编码器前向传播。该方法随机将每个窗口划分为少数重叠子块，实现高效且有意义的对比，同时缓解时序转换期间的误报问题。为进一步提升可扩展性，我们采用对比目标，其计算依赖于批量大小和子块数量，使损失计算与序列长度无关。在六个大规模真实数据集上，以及UCR和UEA基准测试上进行大量实验，表明Di-COT学习到语义结构清晰且可迁移的表示，在分类、聚类、kNN和跨数据集迁移方面实现最先进性能，同时显著缩短训练时间。源代码已公开于https://github.com/sfi-norwai/Di-COT。
引用
@article{arxiv.2605.21241,
title = {Divide and Contrast: Learning Robust Temporal Features without Augmentation},
author = {Abdul-Kazeem Shamba and Kerstin Bach and Gavin Taylor},
journal= {arXiv preprint arXiv:2605.21241},
year = {2026}
}
备注
Published in the 43rd International Conference on Machine Learning (ICML 2026)