Cet article aborde l'application de l'apprentissage auto-supervisé (SSL) aux données dépendantes (par exemple, séries chronologiques, données spatio-temporelles). Les méthodes SSL existantes basées sur l'apprentissage contrastif supposent une indépendance sémantique entre les échantillons, mais cette hypothèse est erronée pour les données dépendantes présentant des corrélations complexes. Par conséquent, cet article présente un nouveau cadre théorique SSL d'apprentissage contrastif adapté aux données dépendantes continues. Nous proposons deux mesures de similarité de vérité terrain, la proximité « dure » et « douce », et, sur cette base, dérivons une forme analytique de la matrice de similarité estimée qui prend en compte les deux types de proximité entre les échantillons, présentant ainsi une fonction de perte prenant en compte la dépendance. La méthode proposée, Dependent TS2Vec, surpasse les méthodes existantes sur les sous-problèmes temporels et spatio-temporels, obtenant des améliorations de précision de 4,17 % et 2,08 % sur les benchmarks UEA et UCR, respectivement, et un score ROC-AUC supérieur de 7 % sur la tâche de classification de la sécheresse avec des schémas spatio-temporels complexes.
