时间序列相似检测在金融数据、电力数据挖掘等场景都有很重要的作用。为了解决时间序列深度哈希网络存在哈希量化损失的问题,提出一种端到端的深度对比学习时间序列哈希网络(Deep Contrastive Time Series Hash,DCTSH)。通过引入自适应...时间序列相似检测在金融数据、电力数据挖掘等场景都有很重要的作用。为了解决时间序列深度哈希网络存在哈希量化损失的问题,提出一种端到端的深度对比学习时间序列哈希网络(Deep Contrastive Time Series Hash,DCTSH)。通过引入自适应二值化网络与哈希损失,消除二值化哈希时的量化误差,使得模型端到端训练生成的时间序列哈希编码,具有更好的表达效果与泛化能力。针对无标签时间序列数据,通过聚类改进对比学习网络的负样本选择来增强时间序列表示学习能力。在多个时间序列数据集上实验结果表明,DCTSH相较于之前的方法检测精度显著提升。展开更多
文摘时间序列相似检测在金融数据、电力数据挖掘等场景都有很重要的作用。为了解决时间序列深度哈希网络存在哈希量化损失的问题,提出一种端到端的深度对比学习时间序列哈希网络(Deep Contrastive Time Series Hash,DCTSH)。通过引入自适应二值化网络与哈希损失,消除二值化哈希时的量化误差,使得模型端到端训练生成的时间序列哈希编码,具有更好的表达效果与泛化能力。针对无标签时间序列数据,通过聚类改进对比学习网络的负样本选择来增强时间序列表示学习能力。在多个时间序列数据集上实验结果表明,DCTSH相较于之前的方法检测精度显著提升。
