用于动力学系统临界转变检测的噪声鲁棒对比学习

在复杂、含噪的时间序列数据中检测临界转变是科学与工程领域的一项基本挑战。此类转变可由低维序参量的出现所预示，但其特征常被高振幅随机波动所掩盖。基于深度神经网络的标准对比学习方法虽然在检测临界转变方面前景可期，但往往存在过参数化且对无关噪声敏感的问题，导致临界点识别不准确。为解决这些局限性，我们提出了一种基于奇异值分解技术构建的神经网络架构，并结合严格半正交约束训练算法，以增强传统对比学习的性能。大量实验表明，所提方法在识别临界转变方面与传统对比学习技术性能相当，但更为轻量且显著更抗噪。