掩码冗余：演化式掩码表示学习用于多变量时间序列聚类
机器学习
2025-12-09 v2
摘要
多变量时间序列(MTS)聚类旨在发现时序数据样本的内在分组模式。虽然时间序列提供丰富的判别性信息，但也包含大量冗余信息，如稳态机器运行记录和太阳能发电的零输出期。此类冗余削弱了对判别性时间戳在表示学习中的关注，从而导致MTS聚类存在性能瓶颈。掩码技术已被广泛用于增强MTS表示，其中设计了时间重建任务以捕获MTS中的关键信息。然而，大多数现有掩码策略仅作为独立的预处理步骤，与学习过程隔离，难以动态适应聚类关键时间戳的重要性。为此，本文提出演化式掩码MTS聚类(EMTC)方法，其模型架构包括重要性感知变数掩码(IVM)和多内生视图(MEV)生成模块。IVM自适应引导模型为聚类学习更具判别性的表示，而重建和聚类引导的对比学习路径则增强并将表示学习与聚类任务相连接。广泛的实验在15个基准数据集上表明，EMTC在八个SOTA方法中均表现优异，EMTC在F1分数上相较于最强 baselines 平均提升4.85%。
引用
@article{arxiv.2511.17008,
title = {Mask the Redundancy: Evolving Masking Representation Learning for Multivariate Time-Series Clustering},
author = {Zexi Tan and Xiaopeng Luo and Yunlin Liu and Yiqun Zhang},
journal= {arXiv preprint arXiv:2511.17008},
year = {2025}
}
备注
Accepted to AAAI 2026