Das Paper stellt TimeDRL, ein Framework für multivariate Zeitreihen-Repräsentationslernen, vor. TimeDRL zeichnet sich durch drei Hauptmerkmale aus:
Entkoppeltes Ableiten von Zeitstempel- und Instanz-Repräsentationen aus zeitlich gegliederten Zeitreihendaten unter Verwendung einer [CLS]-Token-Strategie.
Nutzung von Zeitstempel-Vorhersage- und Instanz-Kontrast-Aufgaben für das entkoppelte Repräsentationslernen, wobei erstere die Zeitstempel-Repräsentationen mit Vorhersageverlust optimiert und letztere die Instanz-Repräsentationen mit Kontrastivem Verlust optimiert.
Vermeidung von Augmentationsmethoden, um Induktionsverzerrungen wie Transformationsinvarianz durch Beschneiden und Maskierung zu eliminieren.
Umfassende Experimente auf 6 Zeitreihenvorhersage-Datensätzen und 5 Zeitreihenklassifizierungs-Datensätzen zeigen, dass TimeDRL die bestehenden Repräsentationslernansätze konsistent übertrifft, mit einer durchschnittlichen Verbesserung der Vorhersage um 58,02% in MSE und der Klassifizierung um 1,48% in Genauigkeit. Weitere Ablationsstudien bestätigen den relativen Beitrag jeder Komponente in der TimeDRL-Architektur, und Evaluierungen des semi-überwachten Lernens demonstrieren die Effektivität des Ansatzes in realen Szenarien, auch bei begrenzten Labeldaten.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Ching Chang,... في arxiv.org 03-14-2024
https://arxiv.org/pdf/2312.04142.pdfاستفسارات أعمق