.png){kind=icon}
返回
Exploring dual-view graph structures: Contrastive learning with graph and hypergraph for multivariate time series classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.107859.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多变量时间序列分类不仅涉及提取时序信息，还包括揭示多个变量之间的关系。基于图的方法因其能够提取时序信息并直接建模变量间关系而受到关注。然而，这些方法主要关注变量间的低阶成对关系，忽略了高阶多变量非成对关系，导致未能完整捕捉变量间的依赖性。此外，图结构的复杂性可能引入噪声信息，使得关键局部聚合信息的区分变得困难。为解决这些挑战，我们提出了DVG-CL模型，即一种双视图图结构对比学习框架，该框架将多变量时间序列（MTS）建模为图和超图，以同时捕捉变量间的低阶成对和高阶非成对关系。我们还引入了一种跨视对比损失，以促进不同层次变量关系的协同交互，以及一种局部-全局互信息损失，通过最大化局部和全局互信息来滤除噪声并识别最关键的局部聚合信息。我们在11个UEA数据集上的实验表明，DVG-CL优于现有的自监督学习基线，并验证了其组件的有效性。
Keyword:
multivariate time series
graph-based methods
hypergraph
contrastive learning
mutual information
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
暂无论文信息