智能增强对比张量分解：低数据环境下多维时间序列分类的创新解决方案

为解决多维时间序列在低数据环境下分类性能受限的难题，研究人员提出智能增强对比张量分解（ITA-CTF）框架，通过动态时间规整（DTW）生成类感知增强数据，结合对比学习优化张量分解（TF）的类间可分性。实验表明，该方法在50类故障定位等复杂任务中性能提升达18.7%，为工业传感器网络等场景提供高效特征提取方案。

　　

在工业传感器网络、电力系统和自动驾驶等领域，多维时间序列数据正以爆炸式速度增长。这类数据通常包含复杂的跨维度交互（如传感器因子与时间因子的耦合），且面临标注数据稀缺的困境。传统深度学习方法（如MC-DCNN）因参数量大易过拟合，而标准张量分解（Tensor Factorization, TF）虽能捕捉结构特征，却缺乏类间可分性优化。更棘手的是，真实场景中同类数据存在显著差异（如机器人不同步频下的地形数据），要求模型具备细粒度分类能力。针对这些挑战，来自新加坡科技设计大学等机构的研究团队提出ITA-CTF框架，相关成果发表于《Expert Systems with Applications》。

研究团队采用三项核心技术：①智能靶向增强（ITA）模块通过动态生成"软"类原型指导DTW，产生保留类特性的混合模式增强数据；②对比张量分解（CTF）模块引入对比损失函数，优化因子分解的类间相似性；③结合MLP分类器实现端到端训练。实验数据涵盖工业设备故障、电网扰动等5类任务，其中故障定位任务涉及超50个类别。

主要研究结果

1. 类感知增强的有效性：ITA模块生成的增强数据通过动态融合查询样本与类原型，在电力系统数据集上使同类样本特征相似度提升32%，显著优于传统抖动增强。
2. 跨维度依赖建模：CTF模块提取的传感器因子（S-factor）与时间因子（T-factor）交互系数，在化工设备数据中成功捕捉到温度-压力传感器的非线性耦合特征。
3. 低数据环境性能：在仅2%标注数据的电网扰动分类中，ITA-CTF的F₁分数达0.891，较标准TF提升18.7个百分点，验证其对数据稀缺的鲁棒性。
4. 细粒度分类优势：针对高度相似的砂石-泥土地形分类，该方法通过增强数据学习到频域能量分布差异，准确率较CNN-LSTM基准提高14.2%。

结论与意义
该研究创新性地将对比学习与张量分解结合，通过ITA模块实现"数据高效"增强，解决了传统方法在低数据环境下难以学习跨维度依赖和类不变特征的难题。特别值得注意的是，CTF模块的因子交互系数（如S_i×T_j）为工业系统故障诊断提供了可解释的特征组件。实际应用中，该方法仅需数百条标注样本即可达到深度学习方法数千样本的性能，为资源受限场景（如偏远地区电网监测）提供了实用解决方案。未来可扩展至医疗多模态时间序列分析等领域。