è’¸é¦å¢žå¼ºçš„æ—¶é—´åºåˆ—é¢„æµ‹ç½‘ç»œä¸ŽåŠ¨é‡å¯¹æ¯”å¦ä¹

原文约200字，阅读约需1分钟。发表于：。

我们提出了 DE-TSMCL，这是一个创新的蒸馏增强框架，用于长序列时间序列预测，通过设计可学习的数据增强机制、提出具有动量更新的对比学习任务以及设计监督任务，联合优化多个任务，从而学习下游预测任务的有效表示，实验证明了 DE-TSMCL 的有效性，最大的改进达到 27.3%。

时间序列上的自我监督学习潜力大，data2vec自蒸馏框架的非对比度方法在分类和预测任务上具有竞争力。