时间序列的软对比学习
机器学习
2026-01-15 v4 人工智能
机器学习
摘要
对比学习已被证明在自监督方式下学习时间序列表示是有效的。然而，对比相似的时间序列实例或时间序列内相邻时间戳的值会忽略其内在相关性，导致学习到的表示质量下降。为解决此问题，我们提出SoftCLT，一种简单而有效的时间序列软对比学习策略。这是通过引入实例级和时间级对比损失以及从0到1的软分配来实现的。具体地，我们定义了软分配：1）实例级对比损失基于数据空间上时间序列之间的距离；2）时间级对比损失基于时间戳的差异。SoftCLT是一种即插即用的时间序列对比学习方法，无需额外技巧即可提高学习表示的质量。实验中，我们证明SoftCLT在分类、半监督学习、迁移学习和异常检测等各种下游任务中持续提升性能，达到最先进水平。代码可在该仓库获取：https://github.com/seunghan96/softclt。
引用
@article{arxiv.2312.16424,
title = {Soft Contrastive Learning for Time Series},
author = {Seunghan Lee and Taeyoung Park and Kibok Lee},
journal= {arXiv preprint arXiv:2312.16424},
year = {2026}
}
备注
ICLR 2024 Spotlight