超越相似性的学习：在自监督时间序列学习中引入正样本对间的不相似性
机器学习
2023-09-15 v1
摘要
通过识别连续输入间的相似性，用于时间序列分析的自监督学习（SSL）方法已证明其在编码时序数据固有静态特征上的有效性。然而，仅关注相似性可能导致表征忽略对受限受试者队列内心血管疾病建模至关重要的动态属性。本文提出蒸馏超越相似性编码（DEBS），首创一种通过整合正样本对间不相似性而超越单纯相似性的 SSL 方法。该框架应用于心电图（ECG）信号，在不同受试者心房颤动（AFib）检测准确率上取得 +10% 的显著提升。DEBS 强调了通过在优化过程中利用不相似性编码时间序列数据动态特征，从而获得更精细表征的潜力。广义上，本研究勾勒的策略有望为推进面向时序数据的 SSL 方法学开辟新途径。
引用
@article{arxiv.2309.07526,
title = {Learning Beyond Similarities: Incorporating Dissimilarities between Positive Pairs in Self-Supervised Time Series Learning},
author = {Adrian Atienza and Jakob Bardram and Sadasivan Puthusserypady},
journal= {arXiv preprint arXiv:2309.07526},
year = {2023}
}