ICDE-2024 TimeDRL：用于多变量时间序列的解耦表示学习

🍉 CSDN 叶庭云：https://yetingyun.blog.csdn.net/

---

在众多真实世界应用（如医疗保健和工业）中，多变量时间序列数据虽蕴含丰富信息，却因缺乏标签以及高维度特性而面临挑战。近期，自监督学习研究展示了其在无标签条件下学习丰富表示的潜力，但仍有提升空间，特别是在学习解耦嵌入和应对归纳偏差（如转换不变性）方面。

为应对这些难题，我们提出了 TimeDRL：一个创新的多变量时间序列表征学习框架，其核心在于解耦双层嵌入。TimeDRL 的三大亮点包括：（i）采用 [CLS] 令牌策略，从时间序列的 patch 数据中解耦出时间戳级与实例级嵌入；（ii）结合时间戳预测与实例对比任务进行解耦表征学习，前者通过预测损失优化时间戳级嵌入，后者则利用对比损失优化实例级嵌入；（iii）以及避免使用增强方法来消除归纳偏差&