本文提出了一种名为'CLaSP'的模型，通过自然语言查询信号特征来搜索时间序列信号。该模型利用对比学习的神经网络，克服了时间序列信号特征表示的挑战，实验表明CLaSP能准确识别信号变化点，实现有效的自然语言搜索。

本文研究了信号特征随时间变化时的分布式估计问题。通过分析线性回归下的COCOA分布式学习算法的通用化错误，发现其受网络结构、任务相似性和任务数的影响。调整网络规模可以降低通用化错误，最佳网络规模取决于任务相似性和任务数。数值结果验证了理论分析，并展示了COCOA在连续学习中的性能。