基于对比表征的时间序列主动学习

基于摘要分析。本文研究时间序列分类中如何通过主动学习减少人工标注负担，提出 REAL，将样本查询策略学习与表征模型的对比学习更新结合起来。作者报告，在多种时间序列分类任务中，相同标注样本数下，REAL 相比所比较算法取得更好或相当的表现；摘要未提供具体数据集、指标和数值。 方法先通过聚类模块选择首批待标注样本，再从自一致性、对相似样本的吸引和对不同样本的排斥三个互补角度，利用对比损失选择后续样本；该损失同时用于更新表征模型。其可核对的机制重点是查询与表征优化之间的联动，而非仅在固定表征上设计采样规则。具体损失形式、相似性定义、查询策略如何学习及模型结构尚未验证。 评估时需要核对初始标注预算、每轮查询数量、数据划分、对照方法与多次运行的波动，以及表征学习可使用的数据范围。摘要仅明确比较采用相同标注样本数，实验协议、消融及统计信息尚未验证，不能据此判断优势来自哪一组成部分。 平台推测（待验证）：该机制可能对应 EEG 分类中的标注成本问题，但依赖候选样本池及可靠的相似性结构，并需要能够获得标签的标注者或标注流程。可考虑复用聚类初始化和查询—表征联动机制，针对 EEG 改造编码器、时间窗与相似性定义；低信噪比、被试差异、通道配置变化和小样本可能使聚类及相似性偏离任务语义。一个可证伪的小实验是，在固定被试内训练池与独立测试集、相同初始及逐轮标注预算下，对比 REAL、随机查询与固定表征查询，观察分类指标随标注量的变化。原摘要未明确涉及 EEG，已有 EEG 相关工作尚未检索确认。