Die Studie präsentiert einen neuen Ansatz für kontrastives Lernen von Zeitreihendaten, genannt REBAR (Retrieval-Based Reconstruction). Anstatt Augmentationen zu verwenden, um positive Paare zu erzeugen, nutzt REBAR eine gelernte Ähnlichkeitsmetrik, um natürlich auftretende ähnliche Zeitreihensegmente zu identifizieren.
Der Kern des REBAR-Ansatzes ist eine Kreuzaufmerksamkeitsarchitektur, die ein Zeitreihensegment aus einem anderen rekonstruieren kann. Die Rekonstruktionsleistung dient als Ähnlichkeitsmaß, um positive Paare für das kontrastive Lernen zu bestimmen. Die Autoren zeigen, dass dieses Ähnlichkeitsmaß gut mit der tatsächlichen Klassenzugehörigkeit korreliert.
In Experimenten auf verschiedenen Zeitreihendatensätzen übertrifft der REBAR-Ansatz andere kontrastive Lernmethoden sowie vollüberwachte Modelle. Die Ergebnisse zeigen, dass REBAR eine leistungsfähige, klassendiskriminierende Repräsentation der Zeitreihendaten erlernt.
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Maxwell A. X... a las arxiv.org 03-19-2024
https://arxiv.org/pdf/2311.00519.pdfConsultas más profundas