unsupervised representation learning for time series with temporal neighborhood coding（NIPS2020）

时间序列往往是复杂和信息丰富，但标签稀疏，因此具有挑战性的建模。在本文中，我们提出了一个学习非平稳时间序列广义表示的自监督框架。我们的方法称为时间邻域编码(TNC)，利用信号生成过程的局部平滑性来定义具有平稳特性的时间邻域。使用一个去偏对比目标，我们的框架通过确保在编码空间中，来自邻域内的信号分布与非邻域信号的分布是不同的来学习时间序列表示。我们的动机源于医学领域，在医学领域，对时间序列数据的动态特性建模的能力对于识别、跟踪和预测潜在的患者潜在状态尤其有价值，而在这种情况下，标记数据实际上是不可能的。我们将我们的方法与最近开发的无监督表示学习方法进行了比较，并展示了在多数据集的聚类和分类任务上的优越性能

方案：

我们提出了一个学习复杂多元非平稳时间序列表示的自监督框架。这种方法被称为时间邻域编码(TNC)，是为信号的潜在分布随时间变化的时间设置而设计的，它旨在捕捉潜在的时间动态的进展。TNC是高效的，易于扩展到高维，可以在不同的时间序列设置中使用。我们评估了多个数据集上学习到的表示的质量，并表明这些表示是通用的，可转移到许多下游任务，如分类和聚类。我们进一步证明，我们的方法优于现有的无监督表示学习方法，甚至在分类任务中表现得更接近监督技术

总结：文中借鉴对比学习思想，基于相邻窗口 实现无监督的表征学习

框架：

我们介绍了一个学习表示的框架，该表示对多元的、非平稳的时间序列的底层状态进行编码。我们的自我监督方法TNC利用信号生成过程的局部平滑性学习时间序列窗口的广义表示。

目标：

我们将无监督学习框架的目标函数形式化

EXPERIMENTS

1.）EVALUATION: CLUSTERABILITY

4.2 EVALUATION: CLASSIFICATION