面向多变道多元时间序列的多视图自监督学习
机器学习
2023-07-21 v2 机器学习
信号处理
摘要
多元生物医学时间序列数据的标注是一个费力且昂贵的过程。自监督对比学习通过对未标注数据进行预训练，缓解了对大型标注数据集的需求。然而，对于多元时间序列数据，输入通道的集合常因应用而异，且现有大多数工作不允许在不同输入通道集合的数据集间进行迁移。我们提出学习一个编码器对所有输入通道分别处理，然后使用消息传递神经网络跨通道提取单一表示。我们通过在含六个EEG通道的数据集上预训练模型、并在含两个不同EEG通道的数据集上微调来展示该方法的潜力。我们比较了带与不带消息传递神经网络、在不同对比损失函数下的模型。我们表明，我们的方法与TS2Vec损失结合，在大多数设定下优于所有其他方法。
引用
@article{arxiv.2307.09614,
title = {Multi-view self-supervised learning for multivariate variable-channel time series},
author = {Thea Brüsch and Mikkel N. Schmidt and Tommy S. Alstrøm},
journal= {arXiv preprint arXiv:2307.09614},
year = {2023}
}
备注
To appear in proceedings of 2023 IEEE International workshop on Machine Learning for Signal Processing