.png){kind=icon}
返回
MSNet: Multi-task self-supervised network for time series classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patrec.2025.03.008.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从无标签时序数据中学习丰富表示对于有效的时间序列分类至关重要。大多数现有的时间序列自监督学习方法专注于单一任务，通常依赖对比学习或重构技术。然而，这些单一任务无法捕获全面特征，并且常常忽略时间序列数据的局部结构、时序或判别性特征。本文提出了一种多任务自监督网络（MSNet），该网络整合了基于对比和重构的方法以学习丰富表示。我们采用增强和扰动方法来生成更多样化的学习视图。随后，模型执行扰动对比、时序对比和重构任务。对比任务增强了来自同一序列的增强视图之间表示的一致性。重构任务捕捉局部依赖结构，增强了学习表示的鲁棒性。我们在三个真实世界的时间序列数据集上进行了实验。实验结果表明，我们的模型在这些数据集上取得了强大的分类性能。此外，当使用有限标注数据进行训练时，所提出的方法表现出优异的泛化能力和鲁棒性。
Keyword:
Deep learning
Time series classification
Self-supervised learning
Contrastive learning
Signal reconstruction
期刊
IF:
3.3
论文数:
8.0K
被引数:
1.6W
机构
引用论文
.png){kind=icon}
Self-Supervised Time Series Representation Learning via Cross Reconstruction Transformer基于交叉重构变换器的自监督时间序列表示学习
OAAI
OAAI分享收藏Mixing up contrastive learning: Self-supervised representation learning for time series混合对比学习: 时间序列的自监督表示学习
OAAI
OAAI分享收藏
查看更多内容