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.
На другой язык
из исходного контента
arxiv.org
Дополнительные вопросы