面向生理时间序列的自监督动力系统表示
机器学习
2025-12-02 v1 机器学习
摘要
生理时间序列的自监督学习（SSL）有效性取决于预训练目标能够保留关于底层生理状态的信息，同时过滤与之无关的噪声。然而，现有策略受限于依赖启发式原则或受约束不足的生成任务。为解决这一限制，我们提出了一种利用跨多个时间序列动力系统生成模型信息结构的预训练框架。该框架揭示了我们的关键洞察：类标识可以通过高效提取与系统参数相关的生成变量信息来捕获，这些参数在相似的时间序列样本之间共享，而应被丢弃的噪声是唯一针对单个样本的。基于这一洞察，我们提出了 PULSE，这是一种基于跨重构的预训练目标，专为生理时间序列数据设计，显式提取系统信息的同时丢弃非可迁移的样本特定信息。我们建立了理论，提供系统信息被恢复的充分条件，并通过合成动力系统实验进行了实证验证。此外，我们将该方法应用于多样化的真实世界数据集，证明 PULSE 学习到的表示能够广泛区分语义类别、提高标签效率并提升迁移学习效果。
引用
@article{arxiv.2512.00239,
title = {Self-Supervised Dynamical System Representations for Physiological Time-Series},
author = {Yenho Chen and Maxwell A. Xu and James M. Rehg and Christopher J. Rozell},
journal= {arXiv preprint arXiv:2512.00239},
year = {2025}
}