MTS-DMAE：用于无监督多元时间序列表示学习的双掩码自编码器
机器学习
2025-09-22 v1 计算机视觉与模式识别
摘要
无监督多元时间序列（MTS）表示学习旨在不依赖标签的情况下从原始序列中提取紧凑且信息丰富的表示，从而实现对各种下游任务的高效迁移。本文提出了双掩码自编码器（DMAE），一种用于无监督 MTS 表示学习的新型掩码时间序列建模框架。DMAE 构建了两个互补的预训练任务：（1）基于可见属性重构被掩码的值；（2）在教师编码器的指导下估计被掩码特征的潜在表示。为进一步提升表示质量，我们引入了特征级对齐约束，促使预测的潜在表示与教师的输出对齐。通过联合优化这些目标，DMAE 学习到了时间上连贯且语义丰富的表示。在分类、回归与预测任务上的综合评估表明，我们的方法相较于有竞争力的基线模型取得了一致且更优的性能。
引用
@article{arxiv.2509.16078,
title = {MTS-DMAE: Dual-Masked Autoencoder for Unsupervised Multivariate Time Series Representation Learning},
author = {Yi Xu and Yitian Zhang and Yun Fu},
journal= {arXiv preprint arXiv:2509.16078},
year = {2025}
}
备注
Accepted by ICDM 2025