Aumento Paramétrico para el Aprendizaje Contrastivo de Series de Tiempo

Las técnicas modernas como el aprendizaje contrastivo se han utilizado de manera efectiva en muchas áreas, incluyendo la visión por computadora, el procesamiento de lenguaje natural y los datos estructurados en grafos. Crear ejemplos positivos que ayuden al modelo a aprender representaciones robustas y discriminativas es una etapa crucial en los enfoques de aprendizaje contrastivo. Por lo general, la intuición humana preestablecida dirige la selección de aumentaciones de datos relevantes. Debido a patrones que son fácilmente reconocidos por los humanos, esta regla general funciona bien en los dominios de visión y lenguaje. Sin embargo, es impráctico inspeccionar visualmente las estructuras temporales en series de tiempo. La diversidad de aumentaciones de series de tiempo a nivel de conjunto de datos e instancia dificulta la elección de aumentaciones significativas sobre la marcha. En este estudio, abordamos esta brecha analizando la aumentación de datos de series de tiempo utilizando teoría de la información y resumiendo las aumentaciones más comúnmente adoptadas en un formato unificado. Luego proponemos un marco de aprendizaje contrastivo con aumento paramétrico, AutoTCL, que puede ser empleado de manera adaptativa para apoyar el aprendizaje de representaciones de series de tiempo. El enfoque propuesto es agnóstico al codificador, permitiendo su integración sin problemas con diferentes codificadores base. Los experimentos en tareas de pronóstico univariante demuestran los resultados altamente competitivos de nuestro método, con una reducción promedio del 6.5\% en MSE y 4.7\% en MAE en comparación con las principales líneas base. En tareas de clasificación, AutoTCL logra un aumento del 1.2\% en la precisión promedio.