基于重要感知分辨率选择的自时序分类的层次对比自监督学习
机器学习
2025-02-18 v1 人工智能
摘要
近期研究表明，基于层次对比学习的自监督学习（SSL）框架在降低时间序列数据标签依赖方面取得了显著进展。这些方法通过在多个分辨率上对数据嵌入进行对比来学习表征，因而能收集更多信息，在各种下游任务中表现出更好的泛化能力。然而，当时间序列数据长度较大时，其计算成本常常显著高于其他SSL框架。为此，本文提出了一种高效训练层次对比学习模型的方法。灵感来自每个分辨率的数据嵌入高度依赖的事实，我们引入基于重要感知的分辨率选择训练框架，以降低计算成本。实验表明，所提方法显著提高了训练速度，同时在广泛的时间序列分类性能评估中保持了原始模型的完整性。我们的代码已公开，链接为https://github.com/KEEBVIN/IARS。
引用
@article{arxiv.2502.10567,
title = {Efficient Hierarchical Contrastive Self-supervising Learning for Time Series Classification via Importance-aware Resolution Selection},
author = {Kevin Garcia and Juan Manuel Perez and Yifeng Gao},
journal= {arXiv preprint arXiv:2502.10567},
year = {2025}
}
备注
Appears in IEEEBigData-2024