MHCCL：面向多元时间序列的掩码分层簇间对比学习
机器学习
2023-03-31 v4 人工智能
摘要
从原始无标签时间序列数据中学习语义丰富的表示对于分类和预测等下游任务至关重要。对比学习最近在无专家标注的情况下展现出了其有前景的表示学习能力。然而，现有的对比方法通常独立地处理每个实例，这导致共享相同语义的假负样本对。为解决此问题，我们提出 MHCCL，一种掩码分层簇间对比学习（Masked Hierarchical Cluster-wise Contrastive Learning）模型，其利用由多元时间序列的多个潜在划分构成的层次结构所获得的语义信息。受细粒度聚类保持较高纯度而粗粒度聚类反映较高级语义这一观察的启发，我们提出一种新颖的自上而下掩码策略，通过融合来自聚类层次的多粒度信息来过滤假负样本并补充正样本。此外，MHCCL 中设计了一种新颖的自下而上掩码策略，以去除每个划分处聚类的离群点从而精炼原型，这有助于加速层次聚类过程并提高聚类质量。我们在七个广泛使用的多元时间序列数据集上进行了实验评估。结果证明了 MHCCL 在无监督时间序列表示学习上相对于最先进方法的优越性。
引用
@article{arxiv.2212.01141,
title = {MHCCL: Masked Hierarchical Cluster-Wise Contrastive Learning for Multivariate Time Series},
author = {Qianwen Meng and Hangwei Qian and Yong Liu and Lizhen Cui and Yonghui Xu and Zhiqi Shen},
journal= {arXiv preprint arXiv:2212.01141},
year = {2023}
}
备注
accepted by AAAI 2023