AUC高8.27%
通过对比学习和表示正则化，无需预设分布类型即可鲁棒地识别时间序列中的突变点。
Cao, Zhi Juan · Cheng-jie, Zhang · 刘建伟
Engineering Applications of Artificial Intelligence 2026
通过对比学习框架将过去与当前时间区间视为两个视图，避免了对数据分布的直接建模，从而摆脱了对预设分布的依赖。
在损失函数中引入视图重建与原始输入的欧氏距离作为正则项，约束编码器输出，显著提升模型对噪声的稳健性。
通过将Wasserstein距离与标签信息结合构造对比损失，并引入一致性表征，所提方法在多个数据集上的平均AUC比第二名高出8.27%。