Series2vec: similarity-based self-supervised representation learning for time series classification

doi:10.1007/s10618-024-01043-w

Series2vec: similarity-based self-supervised representation learning for time series classification

2024-06-20

0

OA

AI

DOI：10.1007/s10618-024-01043-w

原文链接

原文求助

摘要

En 中文

摘要我们认为，在可定义的有意义自监督学习任务的形式方面，时间序列分析与视觉或自然语言处理在本质上存在差异。基于这一认识，我们提出了一种名为Series2Vec的新型自监督表示学习方法。与依赖手工设计数据增强的时间序列领域最新方法不同，Series2Vec通过自监督任务预测两个序列在时域和频域上的相似性进行训练。通过利用相似性预测任务（这对广泛的时间序列分析任务具有固有意义），Series2Vec消除了对手工设计数据增强的需求。为进一步促使网络为相似的时间序列学习相似的表示，我们提出了一种新颖方法，在训练过程中对批次内的每个表示应用序不变的注意力机制。我们在九个大型真实世界数据集以及UCR/UEA存档上对Series2Vec进行的评估表明，其性能优于当前时间序列领域的自监督技术。此外，我们的广泛实验表明，Series2Vec的性能与全监督训练相当，并在标签数据有限的数据集上表现出高效率。最后，我们证明Series2Vec与其他表示学习模型的融合可提升时间序列分类性能。代码和模型开源地址为https://github.com/Navidfoumani/Series2Vec

Series2vec: similarity-based self-supervised representation learning for time series classification

摘要

期刊

机构

引用论文