为了解决上述问题,我们提出了一种新的自监督框架TimesURL。具体来说,我们首先引入基于频率时间的增强来保持时间属性不变。在此基础上,我们构建了双universum作为一种特殊的难负样本来指导更好的对比学习。此外,我们引入时间重构作为与对比学习的联合优化目标,以捕获段级和实例级信息。因此,TimesURL可以学习高质量的通用...
尽管代理任务性能有所下降,但是在 TimesURL 中,线性分类任务的性能进一步提升,从 0.896(没有 Universums)到 0.985(有 Universums),这意味着额外的 Universum 使代理任务更难解决,可以进一步提高下游任务中的模型性能。因此,TimesURL中的Univerums可以被视为高质量的底片。综上所述,我们的Universums可以被视为一种高质...
代理任务的性能如图 2(b)所示,即在 ERing 数据集上使用和不使用 Universums 的 TimesURL 训练中,正样本在负样本中所占的锚点百分比。尽管 TimesURL 的代理任务性能有所下降,但线性分类的性能却从 0.896(无 Universums)进一步提高到 0.985(有 Universums),这意味着额外的 Universum 会增加代理任务的难度,但却能进一...
TimesURL在多个基准时间序列任务上进行了广泛的实验,包括短期和长期预测、插值、分类、异常检测和迁移学习。 实验结果表明,TimesURL在这些任务中都取得了最先进的性能。例如,在UEA和UCR分类档案中的时间序列分类任务中,TimesURL的平均准确率分别为75.2%和84.5%,超过了之前的最先进自监督方法InfoTS。此外,TimesURL在时间...
The implementation of "TimesURL: Self-supervised Contrastive Learning for Universal Time Series Representation Learning" - Alrash/TimesURL
Steps to Reproduce Set up a Team and add availability Go to team event and click the Embed button Click on Email embed Choose specific times to embed Paste into the email When clicking on each of the selected times, they go to a page that does not include /team/ in the URL and theref...
TimesURL在多个基准时间序列任务上进行了广泛的实验,包括短期和长期预测、插值、分类、异常检测和迁移学习。 实验结果表明,TimesURL在这些任务中都取得了最先进的性能。例如,在UEA和UCR分类档案中的时间序列分类任务中,TimesURL的平均准确率分别为75.2%和84.5%,超过了之前的最先进自监督方法InfoTS。此外,TimesURL在时间...