面向时间序列分析的自监督学习：分类体系、进展与展望
机器学习
2024-04-09 v4 人工智能
信号处理
应用统计
摘要
自监督学习（SSL）近期在各种时间序列任务上取得令人印象深刻的性能。SSL最显著的优势是降低对标注数据的依赖。基于预训练与微调策略，即便少量标注数据也能实现高性能。相较于计算机视觉与自然语言处理领域已发表的众多自监督综述，针对时间序列SSL的综合性综述仍属缺失。为填补此空白，本文综述当前时间序列数据上最先进的SSL方法。为此，我们首先全面回顾与SSL及时间序列相关的已有综述，继而从生成式、对比式与对抗式三个视角总结现有时间序列SSL方法并形成新分类体系。这些方法进一步划分为十个子类，并就其关键直觉、主要框架、优缺点进行详细综述与讨论。为便利时间序列SSL方法的实验与验证，我们还总结时间序列预测、分类、异常检测与聚类任务中常用数据集。最后，我们给出时间序列分析SSL的未来方向。
引用
@article{arxiv.2306.10125,
title = {Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects},
author = {Kexin Zhang and Qingsong Wen and Chaoli Zhang and Rongyao Cai and Ming Jin and Yong Liu and James Zhang and Yuxuan Liang and Guansong Pang and Dongjin Song and Shirui Pan},
journal= {arXiv preprint arXiv:2306.10125},
year = {2024}
}
备注
Accepted by IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI); 26 pages, 200+ references; the first work to comprehensively and systematically summarize self-supervised learning for time series analysis (SSL4TS). The GitHub repository is https://github.com/qingsongedu/Awesome-SSL4TS