研究人员推出了一种新颖的时间序列表示学习无掩码框架 CF-JEPA。该方法利用多视界前向预测而非掩码，利用数据的时序顺序。CF-JEPA 还利用了在线编码器和目标编码器之间的非对称性，将分类任务路由到在线编码器，将预测/异常检测路由到目标编码器。该方法在多元预测 MSE 上降低了 27%，并在各种分类、预测和异常检测基准测试中表现强劲。 AI
影响 这种用于时间序列表示学习的无掩码方法可以提高预测和异常检测的准确性。
排序理由 该集群包含一篇详细介绍时间序列表示学习新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.07031v1 Announce Type: new Abstract: Self-supervised learning (SSL) for time-series representation learning is dominated by two paradigms: contrastive methods, which face challenges in constructing positive or negative pairs, and masking-based methods, which disrupt th…
Self-supervised learning (SSL) for time-series representation learning is dominated by two paradigms: contrastive methods, which face challenges in constructing positive or negative pairs, and masking-based methods, which disrupt the temporal continuity of time-series signals. Jo…