时间序列中的对比学习。在时间序列分析领域，考虑到时间序列的不变特性，已经提出了几种正对和负对的对比学习设计。表 1 比较了包括我们在内的各种 TS 对比学习方法的若干特性。T-Loss（Franceschi 等人，2019 年）从一个 TS 中随机抽样一个子序列，如果属于该 TS 的子序列，则将其视为正序列；如果属于其他 TS 的子序列，则将其视为负序列。Self-Time（Fan 等人，2020 年）通过将同一 TS 的增强样本定义为正样本和负样本来捕捉 TS 之间的样本间关系，并通过解决分类任务来捕捉 TS 内部的时间关系，其中类标签使用子序列之间的时间距离来定义。TNC（Tonekaboni 等人，2021 年）使用正态分布定义窗口的时间邻域，并将邻域内的样本视为正样本。TS-SD（Shi 等人，2021 年）使用三元组相似性判别任务训练模型，目标是识别两个 TS 中哪个与给定的 TS 更相似，使用 DTW 来定义相似性。TS-TCC（Eldele 等人，2021 年）提出了一种时间对比损失，即让增强预测彼此的未来，而 CA-TCC（Eldele 等人，2023 年）是 TS-TCC 在半监督设置下的扩展，采用了相同的损失。TS2Vec（Yue 等人，2022 年）将 TS 分成两个子序列，并在实例和时间维度上定义了分层对比损失。Mixing-up（Wickstrøm 等人，2022 年）通过混合两个 TS 生成新的 TS，目标是预测混合权重。CoST（Woo 等人，2022 年）利用时域和频域对比损失来学习季节趋势表征。TimeCLR（Yang 等人，2022 年）引入了相移和振幅变化增强，这是一种基于 DTW 的数据增强方法。TF-C（Zhang 等人，2022 年）同时学习基于时间和频率的 TS 表示，并提出了一种新颖的时频一致性架构。在医疗领域，Subject-Aware CL（Cheng 等人，2020 年）提出了一种实例化的 CL 框架，通过架构设计将时间信息纠缠在一起；CLOCS（Kiyasseh 等人，2021 年）提出考虑其应用中特别可用的空间维度，这与一般 TS 中的信道接近。以前用于 TS 的 CL 方法计算的是硬对比损失，即所有负对之间的相似性同样最小化，而我们为 TS 引入了软对比损失。