EXCON：用于太阳耀斑预测的极度不平衡多元时间序列基于极端实例的对比表示学习

在日球物理学研究中，预测太阳耀斑至关重要，因为其可能对天基系统和地球基础设施产生重大影响。由太阳成像观测站记录的太阳活动区磁场数据被转换为多元时间序列，以通过基于时间窗口的分析实现太阳耀斑预测。在由多元时间序列驱动的太阳耀斑预测领域，通过有效的多元时间序列表示学习策略解决严重的类别不平衡问题，是开发稳健预测模型的关键。在重大太阳耀斑罕见的预测任务中，传统方法往往难以避免对多数类的过拟合。本工作提出了 EXCON，一种旨在此类不平衡情况下提升分类性能的对比表示学习框架。EXCON 通过四个阶段运行：从多元时间序列数据中提取核心特征；为每个类别选择独特的对比表示以最大化类间分离；采用定制的极端重建损失训练时间特征嵌入模块以最小化类内差异；将分类器应用于所学嵌入以实现稳健分类。该方法利用对比学习原理，在特征空间中将相似实例拉近，同时推远不相似实例，这一策略在太阳耀斑预测任务中尚未被广泛探索。该方法不仅解决了类别不平衡问题，还提供了一种通用解决方案，适用于二元和多类分类问题中的单变量及多元时间序列。实验结果（包括在基准太阳耀斑数据集以及带有二元和多类标签的多个时间序列归档数据集上的评估）证明了 EXCON 在提升分类性能方面的有效性。