用于时间序列表示学习的无监督多模态特征对齐
机器学习
2025-05-12 v2
摘要
近年来，时间序列数据的无监督表示学习（URL）因其跨多种下游应用的卓越适应性而引起了广泛关注。无监督学习目标与下游任务存在差异，使得仅关注时间特征表征难以确保下游任务的效用。研究人员提出了多种变换以提取信息丰富的时间序列中隐含的判别性模式，试图填补这一鸿沟。尽管引入了多种特征工程技术，例如频域、小波变换特征、图像形式特征以及符号特征等，但在推理过程中复杂特征融合方法的使用和对异构特征的依赖阻碍了这些解决方案的可扩展性。为了解决这一问题，受谱图理论启发，本研究引入了一种创新方法，侧重于对齐与绑定从不同模态编码的时间序列表示，从而引导神经编码器揭示这些多模态特征之间的潜在模式关联。与融合多模态特征的传统方法不同，我们提出的方法通过保留单一时间序列编码器简化了神经架构，从而保持了可扩展性。我们进一步展示并证明了编码器维持更优归纳偏置的机制。在实验评估中，我们在来自不同领域的多种时间序列数据集上验证了所提出的方法。我们的方法在多种下游任务中优于现有的 SOTA URL 方法。
引用
@article{arxiv.2312.05698,
title = {Unsupervised Multi-modal Feature Alignment for Time Series Representation Learning},
author = {Chen Liang and Donghua Yang and Zhiyu Liang and Hongzhi Wang and Zheng Liang and Xiyang Zhang and Jianfeng Huang},
journal= {arXiv preprint arXiv:2312.05698},
year = {2025}
}