用于时间序列对比学习的参数化数据增强
机器学习
2024-02-19 v1
摘要
对比学习等现代技术已有效应用于包括计算机视觉、自然语言处理和图结构数据在内的许多领域。创建有助于模型学习鲁棒且具判别性表示的正样本是对比学习方法中的关键步骤。通常，预设的人类直觉指导着相关数据增强的选择。由于存在易于被人类识别的模式，这种经验法则在视觉和语言领域效果良好。然而，对时间序列中的时间结构进行视觉检查是不切实际的。时间序列增强在数据集和实例层面的多样性使得难以即时选择有意义的增强。在本研究中，我们通过使用信息论分析时间序列数据增强，并以统一格式总结最常用的增强方法来填补这一空白。然后，我们提出了一种具有参数化增强的对比学习框架 AutoTCL，该框架可自适应地用于支持时间序列表示学习。所提出的方法与编码器无关，允许其与不同的骨干编码器无缝集成。在单变量预测任务上的实验证明了我们方法极具竞争力的结果，与领先的基线相比，MSE 平均降低 6.5%，MAE 平均降低 4.7%。在分类任务中，AutoTCL 的平均准确率提高了 。
引用
@article{arxiv.2402.10434,
title = {Parametric Augmentation for Time Series Contrastive Learning},
author = {Xu Zheng and Tianchun Wang and Wei Cheng and Aitian Ma and Haifeng Chen and Mo Sha and Dongsheng Luo},
journal= {arXiv preprint arXiv:2402.10434},
year = {2024}
}
备注
Accepted by International Conference on Learning Representations (ICLR 2024)