SOM-CPC：基于自组织映射与无监督对比学习的高速率时间序列结构化表示
机器学习
2023-05-26 v2 神经与进化计算
摘要
随着传感器数量的不断增加，连续监测已在许多应用领域中变得无处不在。然而，所获取的时间序列通常具有高维且难以解释的特点。具表达力的深度学习（DL）模型在降维方面已广受欢迎，但所得潜空间往往仍难以解释。在本工作中，我们提出 SOM-CPC，一种将可视化于有组织 2D 流形上同时保留高维信息的模型。我们处理了一类很大程度上未被探索且具有挑战性的场景，即高速率时间序列，并在合成与真实数据（生理数据与音频记录）上表明，SOM-CPC 优于诸如基于 DL 的特征提取后接常规降维技术，以及联合优化 DL 模型与自组织映射（SOM）的模型等强基线。SOM-CPC 在更好地理解高速率数据流中潜模式方面具有巨大潜力。
引用
@article{arxiv.2205.15875,
title = {SOM-CPC: Unsupervised Contrastive Learning with Self-Organizing Maps for Structured Representations of High-Rate Time Series},
author = {Iris A. M. Huijben and Arthur A. Nijdam and Sebastiaan Overeem and Merel M. van Gilst and Ruud J. G. van Sloun},
journal= {arXiv preprint arXiv:2205.15875},
year = {2023}
}