Cet article propose Dependent TS2Vec, un nouveau cadre théorique qui améliore l'application de l'apprentissage auto-supervisé (SSL) aux données dépendantes (temporelles et spatio-temporelles). Les méthodes SSL existantes basées sur l'apprentissage contrastif supposent une indépendance sémantique entre les échantillons, mais cette hypothèse est erronée car les données dépendantes présentent souvent des corrélations complexes. Dependent TS2Vec est un cadre SSL d'apprentissage contrastif conçu pour les données dépendantes continues. Il définit des mesures de similarité « forte » et « faible » entre les échantillons et dérive une fonction de perte qui prend en compte les dépendances en fonction de ces mesures de similarité. Il surpasse les méthodes existantes sur les sous-tâches temporelles et spatio-temporelles, 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.
