半监督端到端对比学习用于时间序列分类
原文中文，约300字，阅读约需1分钟。发表于：。本文提出了一个称为 SLOTS（半监督学习用于时间分类）的端到端模型，该模型利用无标签样本和少量有标签样本来训练编码器和分类器，并使用无监督对比损失、有监督对比损失和分类损失来优化模型。通过与十种最先进的方法在五个数据集上的比较，实验结果表明 SLOTS 是一个简单而有效的框架，相较于两阶段的方法，SLOTS 在相似的计算成本下，能够以显著提升的性能使用相同的输入数据。
SLOTS是一种半监督学习模型，利用无标签样本和少量有标签样本来训练编码器和分类器，并使用无监督对比损失、有监督对比损失和分类损失来优化模型。实验结果表明，SLOTS能够以显著提升的性能使用相同的输入数据。
