시간 시리즈 표현 학습을 위한 시간적 및 문맥적 대조 방법

라벨이 부착되지 않은 시계열 데이터에서 시간 동역학을 고려하여 적절한 표현을 학습하는 것은 매우 어려운 작업입니다. 본 논문에서는 라벨이 없는 데이터에서 시계열 표현을 학습하기 위해 시간적 및 맥락적 대조를 통한 비지도 시계열 표현 학습 프레임워크(TS-TCC)를 제안합니다. 첫째, 원시 시계열 데이터는 약한 증강과 강한 증강을 사용하여 두 가지 다른 그러나 상관관계가 있는 뷰로 변환됩니다. 둘째, 우리는 강력한 크로스-뷰 예측 작업을 설계하여 견고한 시간적 표현을 학습할 수 있는 새로운 시간적 대조 모듈을 제안합니다. 마지막으로, 차별적인 표현을 더욱 효과적으로 학습하기 위해 시간적 대조 모듈의 맥락 위에 구축된 맥락적 대조 모듈을 제안합니다. 이 모듈은 동일한 샘플의 서로 다른 맥락 간 유사성을 최대화하면서 다른 샘플의 맥락 간 유사성을 최소화하려고 합니다. 세 개의 실제 시계열 데이터셋에서 실험이 수행되었습니다. 실험 결과, 제안된 TS-TCC를 통해 학습된 특징 위에 선형 분류기를 훈련시키면 지도 훈련과 유사한 성능을 보임을 확인할 수 있었습니다. 또한, 제안된 TS-TCC는 소수의 라벨이 부착된 데이터와 전이 학습 상황에서 높은 효율성을 보였습니다. 코드는 공개적으로 https://github.com/emadeldeen24/TS-TCC 에서 제공됩니다.