对抗假负样本与类别不平衡的时间序列对比学习
机器学习
2024-08-27 v2 人工智能
摘要
作为表示学习的典型自监督方法，时间序列对比学习在当代研究中展现出显著进展。尽管最近的对比学习策略侧重于如何构建合适的正样本和负样本，但在本研究中，我们进行了理论分析并发现它们忽略了基本问题：基于 InfoNCE 损失的框架中固有的假负样本和类别不平衡。因此，我们引入了一种基于 SimCLR 框架的简单修改，普遍适用于参与实例判别任务的模型。通过构建实例图以促进实例间的交互学习，我们通过多实例判别任务模拟监督对比学习，从而减轻假负样本的有害影响。此外，利用图结构和少量标记数据，我们执行半监督一致性分类并增强少数类的表示能力。我们在四个真实世界时间序列数据集上将我们的方法与最流行的时间序列对比学习方法进行了比较，并展示了我们在整体性能上的显著优势。
引用
@article{arxiv.2312.11939,
title = {Time-Series Contrastive Learning against False Negatives and Class Imbalance},
author = {Xiyuan Jin and Jing Wang and Lei Liu and Youfang Lin},
journal= {arXiv preprint arXiv:2312.11939},
year = {2024}
}