ProtoSSL：从无标签时间序列数据中学习可解释原型
机器学习
2026-05-11 v1
摘要
在预测性能和可解释性都至关重要的时间序列领域，深度神经网络取得了强大的结果，但对其预测方式的洞察有限。基于投影的原型网络通过将预测基于与代表性训练样本的相似性来解决这一限制，从而实现基于案例的解释和全局原型检查。然而，现有方法依赖于标签监督，将原型与特定任务绑定，并需要大型标注数据集。我们引入了 ProtoSSL，这是一种新颖的框架，用于从无标签时间序列数据中学习可解释的、基于投影的原型，并将其适应到下游任务。我们的核心思想是将模体发现与标签对齐分离开来。ProtoSSL 首先使用直接应用于原型激活值的自监督目标学习可重用的原型库，然后通过高效的分配过程将这些原型对齐到下游任务。在六个心电图 (ECG) 数据集上，ProtoSSL 提高了标签效率，在仅有 256 个标注样本的低数据机制下优于有监督原型基线；通过微调，ProtoSSL 在完整数据集规模上也优于有监督原型基线。在一项人类评估研究中，ProtoSSL 生成的原型和基于原型的解释被判定为比通过直接标签监督学习的更受青睐。我们进一步表明该框架可扩展到音频分类。因此，ProtoSSL 既能在下游标签空间已知之前从无标签数据中学习可泛化的原型，又能随后将可解释的、基于投影的原型分配给新的时间序列任务。
引用
@article{arxiv.2605.06943,
title = {ProtoSSL: Interpretable Prototype Learning from Unlabeled Time-Series Data},
author = {Steven Song and Sahil Sethi and Brett Beaulieu-Jones and Robert L. Grossman},
journal= {arXiv preprint arXiv:2605.06943},
year = {2026}
}