【推荐理由】对比学习已经展现出学习图像或时间序列分类有意义表示的强大能力。然而，这些方法在时间序列预测方面的效果较差。本文提出了SimTS，通过在潜在空间中学习从过去预测未来来改善时间序列预测。

SimTS: Rethinking Contrastive Representation Learning for Time Series Forecasting

Xiaochen Zheng, Xingyu Chen, Manuel Schürch, Amina Mollaysa, Ahmed Allam, Michael Krauthammer

[University of Zurich]

【论文链接】https://arxiv.org/pdf/2303.18205.pdf

【摘要】对比学习方法已经展现出学习图像或时间序列分类有意义表示的强大能力。然而，这些方法在时间序列预测方面的效果较差，因为实例区分的优化并不直接适用于从历史上下文中预测未来状态。此外，当前技术中的正负对构建强烈依赖于特定的时间序列特征，限制了它们在不同类型的时间序列数据之间的泛化。为了解决这些限制，本文提出了SimTS，一种简单的表示学习方法，通过在潜在空间中学习从过去预测未来来改善时间序列预测。SimTS不依赖于负对或特定时间序列特征的假设。作者在多个基准时间序列预测数据集上进行了广泛的实验，结果显示SimTS与现有对比学习方法相比具有竞争性能。此外，文章通过详细的消融研究展示了当前用于时间序列预测的对比学习框架的不足之处。总的来说，该工作表明SimTS是时间序列预测的其他对比学习方法的有希望的替代方案。

内容中包含的图片若涉及版权问题，请及时与我们联系删除