Core Concepts
시계열 데이터의 고유한 상관관계를 고려하여 더 나은 표현 학습을 달성하기 위해 소프트 대조 학습 전략을 제안한다.
Abstract
이 논문은 시계열 데이터를 위한 소프트 대조 학습 방법인 SoftCLT를 제안한다. 기존의 대조 학습 방법은 유사한 시계열 인스턴스나 인접한 시간대의 값을 대조하여 고유한 상관관계를 무시하는 문제가 있었다. SoftCLT는 인스턴스 간 대조 손실과 시간 간 대조 손실에 대해 0과 1 사이의 소프트 할당을 도입하여 이 문제를 해결한다. 구체적으로 1) 데이터 공간의 거리에 따른 인스턴스 간 소프트 할당, 2) 시간 차이에 따른 시간 간 소프트 할당을 정의한다. 실험 결과, SoftCLT는 분류, 준지도 학습, 전이 학습, 이상 탐지 등 다양한 하위 작업에서 최신 성능을 보였다.
Stats
시계열 데이터의 유사성을 측정하는 데 널리 사용되는 동적 시간 워핑(DTW) 거리 지표를 사용한다.
시간 차이가 작을수록 시계열 데이터의 값이 유사하다는 자연스러운 특성을 활용한다.
Quotes
"시계열 데이터의 고유한 상관관계를 고려하지 않는 기존 대조 학습 방법의 한계를 극복하기 위해 소프트 대조 학습 전략을 제안한다."
"제안하는 손실 함수는 기존 대조 손실의 일반화로 볼 수 있으며, 음의 할당을 0, 양의 할당을 1로 대체하면 기존 대조 손실과 동일해진다."