TDBCL：一种用于不平衡分类的时间序列双分支平衡对比学习方法

《Pattern Recognition》：TDBCL: A Time Series Dual-branch Balance Contrastive Learning for Imbalanced Classification

提出时间序列双分支平衡对比学习方法（TDBCL），融合对比学习与分类学习，通过同步多任务学习和余弦退火迁移策略优化特征表示与分类，解决高不平衡时间序列分类问题，实验表明其优于现有方法

　　时间序列分类是模式识别领域中一项基础而重要的任务，旨在通过从训练数据中学习时间模式，识别未标记时间序列的类别标签。这一技术在多个实际应用场景中发挥着关键作用，如医疗诊断、工业监测和金融分析等。然而，时间序列分类面临的一个普遍且具有挑战性的问题是类别不平衡，即某些类别在数据集中包含的样本数量显著多于其他类别。这种不平衡会严重影响分类算法的性能，尤其是在识别那些罕见但关键的事件时，如医疗领域的严重心律失常或工业系统中的罕见故障模式。

类别不平衡的存在会导致算法在训练过程中偏向多数类，从而系统性地错误识别少数类所代表的关键事件。这种偏差在医疗诊断中可能意味着错过一些生命攸关的病情；在工业监测中可能意味着无法及时发现罕见但可能导致严重后果的故障；在金融分析中可能意味着难以识别稀有但重要的欺诈交易。此外，时间序列数据本身具有独特的时序属性，如时间依赖性、非平稳性和复杂的结构模式，这些特性使得传统领域的模式识别方法（如图像或文本分类）难以直接应用于时间序列分类任务。

为了解决这一问题，研究者们尝试了多种方法，如数据重采样技术。然而，这些方法往往会对原始数据分布造成显著的改变，可能削弱深度学习模型学习真实时间模式的能力。这种数据分布的扭曲可能导致在实际应用中，模型在面对自然分布的数据时表现不佳，影响其泛化能力。因此，开发能够同时保持时间序列内在结构并解决类别不平衡问题的模式识别方法成为了一个重要的研究方向。

在此背景下，我们提出了一种名为TDBCL（时间序列双分支平衡对比学习）的新方法。TDBCL是一种创新性的框架，通过将对比学习与平衡分类学习相结合，实现了对不平衡时间序列分类任务的高效处理。该方法的核心在于引入了一种同步双分支多任务学习策略，同时进行对比表示学习和重采样分类器学习，从而提高对高度不平衡时间序列的分类能力。通过这种方式，TDBCL能够在保持时间序列原始特征的同时，有效解决类别不平衡问题，提升分类模型的整体性能。

TDBCL的对比学习分支采用了跨类别数据增强组合策略，以增强特征的多样性和代表性。这种策略能够利用数据结构进行学习，而不直接依赖于类别标签，从而缓解标签不平衡带来的偏差。同时，它能够捕捉整个数据分布的特征，而不是仅仅关注多数类，为模式识别提供了更全面的视角。此外，TDBCL的增强策略还能为少数类模式创造更多的学习机会，提高其在分类任务中的识别能力。

在分类学习分支中，我们引入了一种专门针对时间序列的DDTSS重采样算法，结合了我们提出的DDTW-Tomek Link下采样方法和Self-SMOTE上采样技术。DDTSS算法适用于复杂的场景，包括多变量、多类别、高度不平衡以及极少数样本的极端不平衡情况。该算法通过优化样本分布，使得分类模型能够更好地学习到不同类别之间的差异，从而提升分类效果。DDTW-Tomek Link下采样方法能够去除那些容易混淆的样本，而Self-SMOTE上采样技术则能够生成更多少数类样本，增强其在分类过程中的表现。

此外，TDBCL还引入了一种新颖的余弦退火迁移学习策略，用于在训练过程中动态调整对比学习和分类学习之间的焦点。这种策略能够使模型在训练初期更注重特征学习，而在后期逐渐转向分类任务，从而实现两个分支之间的有效协作。通过这种方式，TDBCL能够在不同阶段平衡模型的学习目标，提高其整体性能。

为了验证TDBCL的有效性，我们进行了广泛的实验，使用了不平衡的UCR和UEA时间序列数据集。这些数据集涵盖了多样化的现实场景，具有不同的类别不平衡程度、类别数量和特征维度。实验结果表明，TDBCL在整体性能和少数类识别准确性方面均优于现有方法，特别是在高度不平衡的场景中表现尤为突出。这些结果为TDBCL在模式识别领域的研究和应用提供了新的证据和启示。

TDBCL的应用价值不仅体现在其技术优势上，还在于其在多个实际场景中的广泛适用性。在医疗领域，该方法能够提高对罕见心律失常的识别能力，从而在早期干预中挽救生命。在工业监测系统中，TDBCL能够更好地识别罕见但可能导致严重后果的故障模式，减少维护成本并防止事故的发生。在金融领域，该方法能够提升对稀有但关键的欺诈交易的识别能力，从而增强金融系统的安全性。

TDBCL的主要贡献包括以下几个方面：首先，我们提出了TDBCL这一双分支框架，用于处理不平衡时间序列分类任务，通过同步多任务学习和余弦退火迁移学习策略，实现了对高度不平衡时间序列的高效分类。其次，我们开发了跨类别数据增强组合策略，该策略能够增强时间序列特征的多样性和代表性，显著提升对比表示学习的效果。第三，我们引入了DDTSS重采样算法，该算法结合了DDTW-Tomek Link下采样方法和Self-SMOTE上采样技术，特别针对复杂的时间序列分类场景进行了优化，包括多变量、多类别和极端不平衡情况。最后，通过在不平衡UCR和UEA数据集上的广泛实验，我们证明了TDBCL在整体性能和少数类识别准确性方面的优越性，为该方法在模式识别领域的研究和应用提供了新的证据和启示。

在实际应用中，TDBCL的双分支结构能够有效平衡模型的学习目标，使得模型在训练过程中既能学习到丰富的特征表示，又能准确识别类别标签。这种结构特别适用于那些具有复杂结构和时间依赖性的数据集，能够更好地捕捉数据中的关键信息，从而提高分类效果。同时，TDBCL的跨类别数据增强组合策略能够增强数据的多样性，使得模型在面对不同的数据分布时具有更强的适应能力。

此外，TDBCL的DDTSS重采样算法能够有效地处理类别不平衡问题，通过优化样本分布，使得分类模型能够更好地学习到不同类别之间的差异。这种方法不仅适用于单变量时间序列，还适用于多变量时间序列，能够在不同的应用场景中提供稳定和高效的分类性能。DDTW-Tomek Link下采样方法能够去除那些容易混淆的样本，而Self-SMOTE上采样技术则能够生成更多少数类样本，增强其在分类过程中的表现。

在实验方面，我们选择了多个不平衡的时间序列数据集，涵盖了不同类别数量、样本数量和特征维度的情况。通过在这些数据集上的测试，我们发现TDBCL在多个指标上均优于现有的分类方法，特别是在识别少数类时表现出色。这些实验结果表明，TDBCL能够有效地处理类别不平衡问题，为时间序列分类任务提供了一种新的解决方案。

TDBCL的研究成果对于模式识别领域具有重要的意义。它不仅提供了一种新的方法，还为处理不平衡时间序列分类任务提供了新的思路。通过结合对比学习和分类学习，TDBCL能够在保持时间序列原始特征的同时，有效解决类别不平衡问题，提高分类模型的整体性能。这种方法的应用不仅限于医疗、工业和金融领域，还可以推广到其他需要时间序列分类的场景，如交通监控、环境监测等。

总之，TDBCL是一种创新性的方法，能够有效处理时间序列分类中的类别不平衡问题。通过同步双分支多任务学习策略和余弦退火迁移学习策略，TDBCL能够在不同阶段平衡模型的学习目标，提高其整体性能。此外，DDTSS重采样算法的引入使得模型能够更好地学习到不同类别之间的差异，从而提升分类效果。TDBCL的广泛应用和显著优势，使其成为一种具有重要研究价值和实际应用潜力的新型分类方法。