Este artículo aborda la aplicación del aprendizaje autosupervisado (SSL) a datos dependientes (p. ej., series temporales y datos espaciotemporales). Los métodos SSL existentes basados en aprendizaje contrastivo asumen independencia semántica entre muestras, pero esta suposición no es válida para datos dependientes con correlaciones complejas. Por lo tanto, este artículo presenta un nuevo marco teórico SSL de aprendizaje contrastivo adaptado a datos dependientes continuos. Proponemos dos medidas de similitud de verdad de campo, proximidad "dura" y "suave", y con base en ellas, derivamos una forma analítica de la matriz de similitud estimada que considera ambos tipos de proximidad entre muestras, presentando así una función de pérdida que considera la dependencia. El método propuesto, Dependent TS2Vec, supera a los métodos existentes en subproblemas temporales y espaciotemporales, logrando mejoras de precisión del 4,17 % y el 2,08 % en los parámetros UEA y UCR, respectivamente, y una puntuación ROC-AUC un 7 % mayor en la tarea de clasificación de sequías con patrones espaciotemporales complejos.
