Zeitreihen-Darstellungslernen durch zeitliche und kontextuelle Kontrastierung

Das Lernen von qualitativen Repräsentationen aus unbeschrifteten Zeitreihendaten mit zeitlicher Dynamik ist eine sehr herausfordernde Aufgabe. In dieser Arbeit schlagen wir ein unüberwachtes Framework für das Lernen von Zeitreihenrepräsentationen vor, das auf temporalem und kontextuellem Kontrastieren (TS-TCC) basiert, um Zeitreihenrepräsentationen aus unbeschrifteten Daten zu erlernen. Zunächst werden die rohen Zeitreihendaten durch schwache und starke Augmentierungen in zwei verschiedene, aber korrelierte Ansichten transformiert. Anschließend stellen wir ein neuartiges Modul für temporales Kontrastieren vor, das robuste zeitliche Repräsentationen durch die Gestaltung einer anspruchsvollen Aufgabe zur Kreuzansichtsvorhersage lernt. Schließlich, um diskriminative Repräsentationen weiter zu erlernen, schlagen wir ein Modul für kontextuelles Kontrastieren vor, das auf den Kontexten des Moduls für temporales Kontrastieren aufbaut. Es versucht, die Ähnlichkeit zwischen verschiedenen Kontexten desselben Beispiels zu maximieren, während es gleichzeitig die Ähnlichkeit zwischen Kontexten verschiedener Beispiele minimiert. Experimente wurden an drei realweltlichen Zeitreihendatensätzen durchgeführt. Die Ergebnisse zeigen, dass das Training eines linearen Klassifikators auf den durch unser vorgeschlagenes TS-TCC gelernten Merkmalen vergleichbar gut abschneidet wie überwachtes Training. Darüber hinaus zeigt unser vorgeschlagenes TS-TCC hohe Effizienz in Szenarien mit wenigen beschrifteten Daten und Transferlearning. Der Code ist öffentlich unter https://github.com/emadeldeen24/TS-TCC verfügbar.