基于层次化均匀性容忍潜在平衡学习时间序列表示
机器学习
2025-10-06 v1 人工智能
摘要
我们提出 TimeHUT，一种通过层次化均匀性容忍潜在平衡来学习时间序列表示的新方法。该方法使用两个不同的损失函数来学习强大的表示，旨在在嵌入空间中有效平衡均匀性和容忍性。首先，TimeHUT 使用层次化设置从输入时间序列中学习实例级和时间信息。随后，在基础对比损失中集成温度调度器来平衡嵌入的均匀性和容忍性特征。此外，层次化角度边际损失强制实例级和时间对比损失之间存在几何间隙，正负时间序列对之间形成间隙。该方法提高了正对的连贯性与负数的分离度，增强了对单个时间序列内部时序依赖的捕获。我们在广泛的任务上评估该方法，包括 128 个 UCR 和 30 个 UAE 数据集用于单变量和多变量分类，以及 Yahoo 和 KPI 数据集用于异常检测。结果表明，TimeHUT 在分类任务上显著优于先前方法，异常检测方面取得具竞争力的成绩。最后，进行了详细的灵敏度和消融研究，以评估方法的不同组件和超参数。
引用
@article{arxiv.2510.01658,
title = {Learning Time-Series Representations by Hierarchical Uniformity-Tolerance Latent Balancing},
author = {Amin Jalali and Milad Soltany and Michael Greenspan and Ali Etemad},
journal= {arXiv preprint arXiv:2510.01658},
year = {2025}
}
备注
Accepted in Transactions on Machine Learning Research