DipContrast: a contrastive learning framework for non-parametric deep time-series clustering

Zeitreihendaten sind in Bereichen wie dem Finanzwesen, dem Gesundheitswesen und in Energiesystemen allgegenwärtig, wo das Aufdecken verborgener Muster für nachgelagerte Analysen unerlässlich ist. Das Clustern von Zeitreihendaten bleibt aufgrund der hohen Dimensionalität, zeitlicher Abhängigkeiten und der oft unbekannten Anzahl von Clustern (k) eine Herausforderung. Während Methoden des Deep Time-Series Clustering durch die Integration von Representation Learning und Clustering vielversprechende Ergebnisse gezeigt haben, sind die meisten bestehenden Ansätze parametrisch und stützen sich primär auf Repräsentationen im Zeitbereich. Um diese Einschränkungen zu überwinden, stellen wir DipContrast vor, ein End-to-End-Framework für kontrastives Lernen zum nicht-parametrischen Deep Time-Series Clustering. DipContrast nutzt eine Dual-Domain-Architektur, um robuste latente Repräsentationen sowohl aus dem Zeit- als auch aus dem Frequenzbereich zu lernen. Das Framework arbeitet ohne Vorwissen über k, indem es die Anzahl der Cluster anfänglich überschätzt und den latenten Raum schrittweise verfeinert. Es verwendet einen prototypengesteuerten, nicht-parametrischen Mechanismus, der Kandidaten-Cluster basierend auf ihrer durch Hartigans Dip-Test ermittelten Unimodalität iterativ zusammenführt. Während des Trainings optimieren eine Dip-gesteuerte prototypische Verlustfunktion (Dip-guided prototypical loss) und ein domänenübergreifendes Konsensziel (cross-domain consensus objective) gemeinsam die Embeddings und gewährleisten so den Zusammenhalt innerhalb der Cluster sowie eine klare Trennung zwischen den Clustern. Umfangreiche Experimente auf 40 gelabelten Datensätzen aus dem UCR-Archiv und einem großen, ungelabelten Smart-Meter-Datensatz demonstrieren die Wirksamkeit des vorgeschlagenen Frameworks. DipContrast übertrifft durchweg nicht-parametrische Baselines und erzielt auf 29 der 40 UCR-Datensätze den höchsten NMI. Auf dem Smart-Meter-Datensatz erreicht es einen Silhouette-Score von 0,88. Diese Ergebnisse etablieren DipContrast als eine robuste und effektive Lösung für das nicht-parametrische Clustern von Zeitreihendaten.