Core Concepts
Ein automatisiertes System, das geeignete Kontrastive Lernstrategien für verschiedene Zeitreihendatensätze und -aufgaben findet.
Abstract
Der Artikel präsentiert ein automatisiertes System namens AutoCL, das geeignete Kontrastive Lernstrategien (CLS) für verschiedene Zeitreihendatensätze und -aufgaben finden kann.
Zunächst wird ein umfassender Lösungsraum von über 3 × 10^12 möglichen CLS-Optionen definiert, der Datenaugmentierung, Einbettungstransformationen, Kontrastpaarbildung und Kontrastivverluste abdeckt. Dann wird ein effizienter Reinforcement-Lernalgorithmus eingeführt, der die CLS-Leistung auf Validierungsaufgaben optimiert, um effektivere CLS innerhalb des Raums zu erhalten.
Die experimentellen Ergebnisse auf verschiedenen realen Aufgaben und Datensätzen zeigen, dass AutoCL automatisch geeignete CLS für einen gegebenen Datensatz und eine Aufgabe finden kann. Aus den von AutoCL gefundenen Kandidaten-CLS wird eine allgemein gute Strategie (GGS) abgeleitet, die eine starke Leistung für andere Datensätze zeigt. Darüber hinaus werden empirische Analysen als Anleitung für das zukünftige Design von CLS bereitgestellt.
Stats
"Die Leistung von AutoCL auf verschiedenen Datensätzen und Aufgaben ist signifikant besser als die der bestehenden Methoden."
"Die allgemein gute Strategie (GGS), die aus den von AutoCL gefundenen Kandidaten abgeleitet wurde, zeigt eine starke Leistung für andere Datensätze."
Quotes
"Automatisierte Maschinelles Lernen (AutoML) ist in den letzten Jahren immer populärer geworden."
"Wenige Arbeiten wurden bisher durchgeführt, um alle diese Aspekte des kontrastiven Lernens auf Zeitreihen gemeinsam zu betrachten."