시프트를 통한 학습: 시계열 대조 학습을 위한 시간적 뷰 구성
Learning by Shifting: Temporal View Construction for Time Series Contrastive Learning
지도 학습은 대량의 레이블 데이터를 요구하며, 이는 비용이 크고 도메인별 전문 지식에 의존하는 병목이다. 자기지도 학습(self-supervised learning), 특히 대조 학습(contrastive learning)은 레이블 없는 데이터로부터 직접 풍부한 표현 학습(representation learning)을 가능하게 하는 매력적인 대안으로 등장했다. 그러나 그 성공은 긍정(positive) 및 부정(negative) 샘플 쌍 설계에 결정적으로 달려 있다. 시계열을 위한 기존 접근법은 강한 도메인 가정을 내재하는 수작업 증강(augmentation)과 마스킹 휴리스틱에 의존하여, 다양한 시간적 패턴에 걸친 일반화를 종종 제한하고 잠재적으로 허위 상관(spurious correlations)을 도입할 수 있다. 본 연구에서는 단순하고 결정적인(deterministic) 뷰 구성을 통해 시간적 시프트 불변성(temporal shift invariance)을 명시적으로 인코딩하는 것만으로도 시계열 분류를 위한 강력한 표현을 학습하기에 충분함을 보임으로써 이러한 패러다임에 도전한다. 시간적 구조를 활용하여, 우리 방법인 Shift Invariant Feature Training(ShiFT)은 UCR 및 UEA 아카이브뿐만 아니라 여섯 개의 다양한 실세계 시계열 벤치마크 데이터셋에서 최고 수준의 성능을 달성하면서 학습 시간을 단축한다. 실증적 성능을 넘어, 시계열 환경에서 대조 학습 역학을 체계적으로 분석하고, 배치 크기와 부정 샘플 수가 하류(downstream) 성능에 미치는 영향을 조사한다. 우리의 발견은 시계열 표현 학습을 위한 효율적인 대조 학습 프레임워크 설계에 실용적인 통찰을 제공한다. 소스 코드는 https://github.com/sfi-norwai/ShiFT 에서 공개적으로 이용 가능하다.