Self-Supervised Contrastive Representation Learning for Time Series
Kunpeng Li, Jong-Chul Lee · The Journal of Korean Institute of Information Technology · 2025
라벨이 지정된 샘플을 확보하려면 상당한 도메인 전문 지식과 복잡하고 시간 소모적인 절차가 필요하므로, 지도 학습 방식의 확장성이 제한됩니다. 이를 해결하기 위해, 우리는 레이블이 없는 시계열 데이터로부터 학습하기 위한 시계열 정보 대비 학습(TICL, Time Series Information Contrastive Learning) 기반 표현 학습 프레임워크를 제안합니다. 구체적으로, 두 가지 서로 다른 데이터 증강 전략을 통해 각 샘플에 대해 의미적으로 관련된 두 개의 뷰를 생성하고, 샘플 쌍 간의 중복 정보를 제거하기 위해 잠재 정보 제약 기법을 도입하여 판별력 있는 표현 학습을 촉진합니다. 세 개의 서로 다른 도메인에서의 시계열 데이터셋 실험 결과, TICL은 특히 few-shot 조건과 전이 학습 시나리오에서 일관되게 우수한 성능을 보였으며, 세 개의 벤치마크 데이터셋에서 표준 기준 모델 대비 2% 이상 높은 정확도를 기록하였습니다.