Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects

要約

近年、自己教師あり学習（SSL）は、様々な時系列タスクにおいて目覚ましい性能を達成している。SSLの最も顕著な利点は、ラベル付けされたデータへの依存を減らすことである。事前学習と微調整戦略に基づき、少量のラベル付きデータでも高い性能を達成することができる。コンピュータビジョンや自然言語処理に関する多くの自己教師ありの調査結果が発表されているのに比べ、時系列SSLに関する包括的な調査結果はまだ見つかっていない。このギャップを埋めるために、本稿では時系列データに対する最新のSSL手法をレビューする。この目的のため、まずSSLと時系列に関連する既存の調査を包括的にレビューし、次に既存の時系列SSL手法を、生成ベース、対比ベース、敵対ベースの3つの観点から要約することで、新たな分類法を提供する。これらの手法はさらに10のサブカテゴリーに分けられ、その主要な直観、主要なフレームワーク、利点と欠点について詳細なレビューと議論がなされている。時系列SSL手法の実験と検証を容易にするために、時系列予測、分類、異常検知、クラスタリングタスクで一般的に使用されるデータセットも要約する。最後に、時系列分析におけるSSLの今後の方向性を示す。

要約(オリジナル)

Self-supervised learning (SSL) has recently achieved impressive performance on various time series tasks. The most prominent advantage of SSL is that it reduces the dependence on labeled data. Based on the pre-training and fine-tuning strategy, even a small amount of labeled data can achieve high performance. Compared with many published self-supervised surveys on computer vision and natural language processing, a comprehensive survey for time series SSL is still missing. To fill this gap, we review current state-of-the-art SSL methods for time series data in this article. To this end, we first comprehensively review existing surveys related to SSL and time series, and then provide a new taxonomy of existing time series SSL methods by summarizing them from three perspectives: generative-based, contrastive-based, and adversarial-based. These methods are further divided into ten subcategories with detailed reviews and discussions about their key intuitions, main frameworks, advantages and disadvantages. To facilitate the experiments and validation of time series SSL methods, we also summarize datasets commonly used in time series forecasting, classification, anomaly detection, and clustering tasks. Finally, we present the future directions of SSL for time series analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL