Apprentissage de représentation scalable non supervisé pour les séries temporelles multivariées.

Résumé Les séries temporelles constituent un type de données difficile pour les algorithmes d'apprentissage automatique, en raison de leurs longueurs très variables et de leur étiquetage clairsemé dans la pratique. Dans cet article, nous nous attaquons à ce défi en proposant une méthode non supervisée d'apprentissage d'intégrations universelles de séries temporelles. Contrairement aux travaux précédents, cette méthode est évolutive par rapport à leur longueur et nous démontrons la qualité, la transférabilité et la praticabilité des représentations apprises par des expériences et des comparaisons approfondies. À cette fin, nous combinons un encodeur basé sur des convolutions dilatées causales avec une nouvelle perte de triplet utilisant un échantillonnage négatif basé sur le temps, obtenant des représentations polyvalentes pour des séries temporelles de longueur variable et multivariées.