通用对比学习下的隐藏单调趋势估计
Universal hidden monotonic trend estimation with contrastive learning
AI总结：
本文提出对比学习方法CTE，用于从时间序列数据中提取潜在单调趋势因子，适用于多种数据类型，通过实验验证其有效性。
摘要：
在本文中，我们描述了一种通用方法，用于从时间序列数据中提取潜在的单调趋势因子。我们提出了一种与Mann-Kendall测试相关的方法，称为对比趋势估计（CTE）。我们证明CTE方法能够识别任何隐藏在时间数据下的趋势，同时避免了传统单调趋势识别所用的标准假设。特别是，CTE可以接受任何类型的时间数据（向量、图像、图、时间序列等）作为输入。最后，我们通过在不同数据和问题上的实验展示了CTE方法的价值。
英文摘要：
In this paper, we describe a universal method for extracting the underlying monotonic trend factor from time series data. We propose an approach related to the Mann-Kendall test, a standard monotonic trend detection method and call it contrastive trend estimation (CTE). We show that the CTE method identifies any hidden trend underlying temporal data while avoiding the standard assumptions used for monotonic trend identification. In particular, CTE can take any type of temporal data (vector, images, graphs, time series, etc.) as input. We finally illustrate the interest of our CTE method through several experiments on different types of data and problems.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
