CompleMatch: Mejora de la Clasificación Semi-Supervisada de Series Temporales con Complementariedad...

Área de la Ciencia:

• Aprendizaje Automático
• Ciencia de Datos
• Procesamiento de Señales

Sus antecedentes:

• La Clasificación Semi-Supervisada (SSC) aprovecha los datos no etiquetados para mejorar el rendimiento del modelo cuando las muestras etiquetadas son escasas.
• Los métodos existentes de SSC de series temporales se basan principalmente en dependencias temporales, que pueden ser sensibles al ruido y pueden pasar por alto la periodicidad de las características globales.

Objetivo del estudio:

• Introducir CompleMatch, un novedoso marco de SSC de series temporales que utiliza información complementaria de los dominios temporal y de frecuencia.
• Mejorar el aprendizaje a partir de datos no etiquetados integrando diversas representaciones de datos.

Principales métodos:

• CompleMatch emplea un paradigma de co-entrenamiento con dos redes neuronales profundas entrenadas simultáneamente, una para vistas del dominio temporal y otra para el dominio de frecuencia.
• Las pseudo-etiquetas generadas mediante la propagación de etiquetas guían el entrenamiento de cada red, explotando la naturaleza complementaria de las representaciones temporal-frecuencial.
• Un módulo de aprendizaje contrastivo temporal-frecuencial integra señales supervisadas y auto-supervisadas para mejorar la calidad de las pseudo-etiquetas y la discriminabilidad de la representación.

Principales resultados:

• CompleMatch supera significativamente los métodos de vanguardia en tareas de SSC de series temporales.
• Los estudios de ablación y las visualizaciones confirman la efectividad de la estrategia propuesta de aprendizaje complementario temporal-frecuencial.
• El marco demuestra una robustez y un rendimiento mejorados, particularmente en condiciones de datos etiquetados limitados.

Conclusiones:

• El marco propuesto CompleMatch aprovecha eficazmente la información temporal y de frecuencia complementaria para una SSC robusta de series temporales.
• La integración de diversas representaciones de datos y el aprendizaje contrastivo mejoran el rendimiento del modelo y el poder discriminatorio.
• CompleMatch ofrece un avance prometedor para el aprendizaje semi-supervisado en el análisis de series temporales.