Learning-with-FrameProjections

该数据集仓库包含了我们在NeurIPS 2025论文《Learning Without Augmenting》中使用的预处理数据。它包括五个时间序列任务中的九个数据集，以不同的即用格式提供。README文件中没有提供数据集的具体描述。

原始信息汇总

数据集概述

基本信息

• 语言：英语
• 标签：自监督学习、时间序列、时间序列分类

内容描述

• 包含论文《Learning Without Augmenting》（NeurIPS 2025）中使用的预处理数据
• 涵盖五个时间序列任务中的九个数据集
• 数据格式为可直接使用的形式

相关资源

• 训练代码、数据加载器和预处理脚本位于GitHub仓库：https://github.com/eth-siplab/Learning-with-FrameProjections

搜集汇总

数据集介绍

构建方式

在时间序列分析领域，Learning-with-FrameProjections数据集通过系统化的预处理流程构建而成。该数据集源自NeurIPS 2025会议论文《Learning Without Augmenting》的研究成果，涵盖了五个不同时间序列任务场景下的九个完整数据集。所有数据均经过标准化预处理，转化为可直接使用的格式，确保了数据的完整性和一致性，为时间序列分类研究提供了高质量的基准数据。

特点

该数据集最显著的特点是专注于自监督学习在时间序列分析中的应用。其包含的九个数据集横跨五个不同的时间序列任务领域，呈现出丰富的数据多样性。数据集采用无需数据增强的学习范式，为研究原始时间序列特征的有效表示提供了独特视角。这种设计使得研究者能够深入探索时间序列数据的内在结构和潜在规律。

使用方法

使用者可通过访问关联的GitHub仓库获取完整的使用支持。该仓库提供了专门的数据加载器、预处理脚本以及训练代码，确保了数据集的便捷使用。研究人员可以直接将预处理好的数据导入到自监督学习框架中，进行时间序列分类任务的实验验证。这种即用型设计大大降低了技术门槛，促进了时间序列分析研究的可复现性和可比性。

背景与挑战

背景概述

时序数据分析作为机器学习领域的重要分支，在医疗监测、工业控制等场景中具有广泛应用。Learning-with-FrameProjections数据集由苏黎世联邦理工学院智能系统实验室于2025年构建，其核心研究聚焦于自监督学习框架下的时序分类问题。该数据集作为NeurIPS会议论文《Learning Without Augmenting》的支撑材料，通过消除传统数据增强需求，推动了时序表征学习范式的革新，为复杂动态系统的模式识别提供了新的方法论基础。

当前挑战

该数据集致力于解决时序分类任务中标注数据稀缺的核心难题，其挑战体现在模型需从原始序列中提取具有判别性的时序模式。在构建过程中，研究团队面临多源时序数据对齐的复杂性，需保证九类数据集在采样频率和序列长度上的统一性。同时，跨五类任务的数据标准化处理要求消除领域间分布差异，而无需数据增强的预训练范式对特征投影的鲁棒性提出了更高要求。

常用场景

经典使用场景

在时序数据分析领域，该数据集为自监督学习研究提供了标准化的实验平台。其精心整理的九个跨领域时序数据集覆盖了五种不同的分类任务，研究人员可直接利用这些经过预处理的标准化数据验证新型自监督算法的有效性。这种即用型数据格式显著降低了实验准备阶段的复杂度，使学者能够专注于核心算法设计，特别适用于对比学习、掩码重建等前沿自监督范式的性能评估。

解决学术问题

该数据集有效应对了时序数据增强依赖性的学术挑战。传统时序分析方法往往需要复杂的数据增强策略来提升模型泛化能力，而该资源通过帧投影技术开辟了无需数据增强的学习路径。这种创新范式为解决小样本时序分类、跨域时序迁移等难题提供了新思路，同时为理解时序表征学习的本质机理提供了实验依据，推动了时序分析理论框架的完善。

衍生相关工作

基于该数据集衍生的研究已形成系列创新成果。时序对比学习框架通过构建正负样本对提升了表征判别性，动态图神经网络将时序依赖关系建模为图结构进行传播分析，元学习方案则解决了跨领域时序知识的迁移难题。这些工作不仅丰富了时序自监督学习的方法体系，更催生了面向特定场景的专用模型架构，持续推动着时序智能技术的前沿发展。