面向空间时序数据的结构保持对比学习
机器学习
2025-10-28 v5 计算机视觉与模式识别
摘要
神经网络模型的有效性很大程度上取决于从数据中学习有意义的潜在模式，其中对信息丰富表征的自监督学习可提升模型性能和泛化能力。然而，针对具有空间特征的时序数据的自监督表征学习面临独特挑战，因需在潜在空间中保持细粒度的时空相似性。在本研究中，我们引入两种结构保持正则化器用于空间时序数据的对比学习：一种正则化器维持实例之间相似性的拓扑结构，另一种正则化器维持跨空间和时间维度相似性的图几何结构。为平衡对比学习目标与结构保持需求，我们提出一种动态加权机制，自适应管理此权衡并稳定训练。我们通过大量实验验证了所提方法，包括 multivariate time series 分类以展示其通用适用性，以及客观和微观交通预测以突出其在编码交通互动方面的特殊有用性。在所有任务中，该方法更有效地保持相似性结构，并提升了最先进任务性能。该方法可集成到任意神经网络模型中，特别适用于具有空间或地理特征的时间序列数据。此外，我们的发现表明，潜在空间中保持良好相似性结构表明更具信息性和有用性，这为设计更有效的数据驱动交通研究神经网络提供了启发。我们的代码已公开获取，附有所有相关数据，地址为 https://github.com/yiru-jiao/spclt。
引用
@article{arxiv.2502.06380,
title = {Structure-preserving contrastive learning for spatial time series},
author = {Yiru Jiao and Sander van Cranenburgh and Simeon Calvert and Hans van Lint},
journal= {arXiv preprint arXiv:2502.06380},
year = {2025}
}
备注
TL;DR: Preserving certain structures of similarity relations in spatio-temporal data can improve downstream task performance via contrastive learning