基于信息感知增强的时间序列对比学习
机器学习
2023-03-22 v1
摘要
近年来提出了多种对比学习方法并取得显著的经验性成功。尽管有效且流行，对比学习在时间序列数据上的探索仍较少。对比学习的一个关键组成部分是选择适当的增强方式，施加某些先验以构建可行的正样本，从而可训练编码器学习鲁棒且具判别力的表示。不同于图像与语言领域可借助人工预设先验的经验法则生成“所需”增强样本，时间序列增强的临时人工选择受其多样且人类难以辨识的时间结构所阻碍。如何为给定对比学习任务与数据集找到有意义的时间序列数据所需增强仍是一个开放问题。本工作中，我们基于信息论，通过鼓励高保真度与高多样性来解决该问题。理论分析给出了选择可行数据增强的准则。在此基础上，我们提出一种具有信息感知增强的新对比学习方法InfoTS，可自适应地为时间序列表示学习选择最优增强。在多个数据集上的实验显示出极具竞争力的性能，在预测任务上MSE最高降低12.0%，在分类任务上准确率相对提升最高达3.7%。
引用
@article{arxiv.2303.11911,
title = {Time Series Contrastive Learning with Information-Aware Augmentations},
author = {Dongsheng Luo and Wei Cheng and Yingheng Wang and Dongkuan Xu and Jingchao Ni and Wenchao Yu and Xuchao Zhang and Yanchi Liu and Yuncong Chen and Haifeng Chen and Xiang Zhang},
journal= {arXiv preprint arXiv:2303.11911},
year = {2023}
}
备注
Published in AAAI 2023