多变量时间序列的自监督学习解缠表示
机器学习
2024-10-22 v2 人工智能
摘要
医疗和工业等领域的多变量时间序列数据信息丰富但面临高维度和缺乏标签的挑战。近期的自监督学习方法在无标签条件下表现优异，但在解缠嵌入和诸如转换不变性等归纳偏差方面仍存在困难。为此，本文引入 TimeDRL，一个用于多变量时间序列表示学习的框架，具有双层解缠嵌入。TimeDRL 的特点包括：(i) 使用 [CLS] 标记策略实现时间戳级和实例级解缠嵌入；(ii) 基于时间戳预测和实例对比任务进行表示学习；(iii) 避免使用数据增强方法以消除归纳偏差。在预测和分类数据集上的实验表明，TimeDRL 在已有方法之上，进一步在半监督设置下（带有限标注数据）也表现出色。
引用
@article{arxiv.2410.12606,
title = {Self-Supervised Learning of Disentangled Representations for Multivariate Time-Series},
author = {Ching Chang and Chiao-Tung Chan and Wei-Yao Wang and Wen-Chih Peng and Tien-Fu Chen},
journal= {arXiv preprint arXiv:2410.12606},
year = {2024}
}
备注
This submission has been withdrawn to avoid duplication with a full version of the paper that is already available in another arXiv entry (arXiv:2410.12606). The withdrawn version was a short format prepared for a NeurIPS workshop and is no longer necessary as a separate arXiv submission