Bài báo này đề xuất LEAVES, một mô-đun mới tự động học các phương pháp tăng cường dữ liệu trong khuôn khổ học tương phản được áp dụng cho dữ liệu chuỗi thời gian sinh học hành vi. Học tương phản thông thường dựa trên các kỹ thuật tăng cường dữ liệu, nhưng việc tìm ra các phương pháp và tham số tăng cường tối ưu rất khó khăn và tốn thời gian. LEAVES học các siêu tham số tăng cường trong khuôn khổ học tương phản bằng cách sử dụng học đối nghịch. Kết quả thử nghiệm trên nhiều tập dữ liệu sinh học hành vi khác nhau bằng SimCLR và BYOL cho thấy hiệu suất cạnh tranh so với các phương pháp hiện có, cải thiện đáng kể hiệu quả với số lượng tham số ít hơn đáng kể (khoảng 20) so với các phương pháp hiện có (ví dụ: ViewMaker). LEAVES hầu như không yêu cầu điều chỉnh siêu tham số thủ công, khiến nó phù hợp cho các ứng dụng y tế quy mô lớn hoặc thời gian thực.
