PFML:无表示崩溃的时间序列数据自监督学习
发表于: 。本研究解决了自监督学习中表示崩溃的问题,提出了一种新型的时间序列数据自监督学习算法PFML。PFML通过预测输入信号的统计函数,避免了表示崩溃,从而提升了对不同时间序列数据领域的应用能力。实验结果表明,PFML在多个复杂的真实分类任务中表现优于现有的自监督学习方法,具有明显的实用价值。
本研究解决了自监督学习中表示崩溃的问题,提出了一种新型的时间序列数据自监督学习算法PFML。PFML通过预测输入信号的统计函数,避免了表示崩溃,从而提升了对不同时间序列数据领域的应用能力。实验结果表明,PFML在多个复杂的真实分类任务中表现优于现有的自监督学习方法,具有明显的实用价值。