基于时间邻域编码的时间序列无监督表示学习

时间序列通常复杂且信息丰富，但标注稀疏，因此难以建模。本文提出一种自监督框架，用于学习非平稳时间序列的可泛化表示。我们的方法称为时间邻域编码（Temporal Neighborhood Coding, TNC），利用信号生成过程的局部平滑性来定义具有平稳性质的时间邻域。通过使用去偏对比目标，我们的框架在编码空间中确保来自邻域内的信号分布可与非邻域信号分布区分开来，从而学习时间序列表示。我们的动机源于医学领域，在无法实际标注数据的场景下，对时间序列数据动态特性建模的能力对于识别、追踪和预测患者潜在状态尤为宝贵。我们将该方法与近期发展的无监督表示学习方法进行比较，并在多个数据集的聚类和分类任务上展示了优越性能。