Cet article propose LEAVES, un nouveau module qui apprend automatiquement les méthodes d'augmentation de données dans un cadre d'apprentissage contrastif appliqué aux données de séries chronologiques biocomportementales. L'apprentissage contrastif conventionnel repose sur des techniques d'augmentation de données, mais trouver les méthodes et paramètres d'augmentation optimaux est difficile et chronophage. LEAVES apprend les hyperparamètres d'augmentation dans un cadre d'apprentissage contrastif par apprentissage contradictoire. Les résultats expérimentaux sur divers ensembles de données biocomportementales utilisant SimCLR et BYOL démontrent des performances compétitives par rapport aux méthodes existantes, améliorant significativement l'efficacité avec un nombre de paramètres nettement inférieur (environ 20) à celui des méthodes existantes (par exemple, ViewMaker). LEAVES ne nécessite pratiquement aucun réglage manuel des hyperparamètres, ce qui le rend adapté aux applications médicales à grande échelle ou en temps réel.
