2023科技创新月〕缺少标签信息的时间序列表示学习

报告人：吴敏研究员

报告人单位：新加坡科技研究局

报告时间：6月6日（星期二）15:00

会议地点：崇德A楼604会议室

举办单位：计算机与信息工程学院（人工智能学院）

报告人简介：

  吴敏博士，博士毕业于新加波南洋理工大学，目前担任新加坡科技研究局高级研究科学家。主要科研方向为机器学习，迁移学习，数据挖掘和生物信息学。近年来发表学术论文一百余篇，参与编写英文专著两部。曾荣获IEEE ICIEA 2022，IEEE SmartCity 2022，DASFAA 2015和InCoB 2016的最佳论文奖，IEEE PHM 2020最佳论文提名奖。受邀担任KDD，AAAI，IJCAI，ICLR等重要国际会议程序委员会委员。

报告摘要：缺少标签是在实际应用深度学习模型处理时间序列数据时经常面临的挑战。最近出现了几种方法，例如迁移学习、自监督学习和半监督学习，旨在提升深度模型在有限标签下的学习能力。在本次报告中，将简要回顾解决时间序列数据中标签稀缺性问题的现有方法，并将其分类为领域内解决方案和跨领域解决方案。然后，分享自己在这个主题上的一些成果。首先，介绍了两种自监督学习方法，称为TS-TCC和CA-TCC，用于领域内时间序列表示学习。还提出了SEA，以及基准平台AdaTime，作为我们跨领域解决方案。最后，讨论了这些方法的局限性和该领域未来的发展方向。