Detailansicht
DipContrast: a contrastive learning framework for non-parametric deep time-series clustering
Moinuddin Noor
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Yllka Velaj
DOI
10.25365/thesis.81176
URN
urn:nbn:at:at-ubw:1-20477.27298.500171-1
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Zeitreihendaten sind in Bereichen wie dem Finanzwesen, dem Gesundheitswesen und in Energiesystemen allgegenwärtig, wo das Aufdecken verborgener Muster für nachgelagerte Analysen unerlässlich ist. Das Clustern von Zeitreihendaten bleibt aufgrund der hohen Dimensionalität, zeitlicher Abhängigkeiten und der oft unbekannten Anzahl von Clustern (k) eine Herausforderung. Während Methoden des Deep Time-Series Clustering durch die Integration von Representation Learning und Clustering vielversprechende Ergebnisse gezeigt haben, sind die meisten bestehenden Ansätze parametrisch und stützen sich primär auf Repräsentationen im Zeitbereich. Um diese Einschränkungen zu überwinden, stellen wir DipContrast vor, ein End-to-End-Framework für kontrastives Lernen zum nicht-parametrischen Deep Time-Series Clustering. DipContrast nutzt eine Dual-Domain-Architektur, um robuste latente Repräsentationen sowohl aus dem Zeit- als auch aus dem Frequenzbereich zu lernen. Das Framework arbeitet ohne Vorwissen über k, indem es die Anzahl der Cluster anfänglich überschätzt und den latenten Raum schrittweise verfeinert. Es verwendet einen prototypengesteuerten, nicht-parametrischen Mechanismus, der Kandidaten-Cluster basierend auf ihrer durch Hartigans Dip-Test ermittelten Unimodalität iterativ zusammenführt. Während des Trainings optimieren eine Dip-gesteuerte prototypische Verlustfunktion (Dip-guided prototypical loss) und ein domänenübergreifendes Konsensziel (cross-domain consensus objective) gemeinsam die Embeddings und gewährleisten so den Zusammenhalt innerhalb der Cluster sowie eine klare Trennung zwischen den Clustern. Umfangreiche Experimente auf 40 gelabelten Datensätzen aus dem UCR-Archiv und einem großen, ungelabelten Smart-Meter-Datensatz demonstrieren die Wirksamkeit des vorgeschlagenen Frameworks. DipContrast übertrifft durchweg nicht-parametrische Baselines und erzielt auf 29 der 40 UCR-Datensätze den höchsten NMI. Auf dem Smart-Meter-Datensatz erreicht es einen Silhouette-Score von 0,88. Diese Ergebnisse etablieren DipContrast als eine robuste und effektive Lösung für das nicht-parametrische Clustern von Zeitreihendaten.
Abstract
(Englisch)
Time-series data is ubiquitous across domains such as finance, healthcare, and energy systems, where uncovering latent patterns is essential for downstream analysis. Clustering time-series data remains challenging due to high dimensionality, temporal dependencies, and the often unknown number of clusters (k). While deep time-series clustering methods have shown promising results by integrating representation learning with clustering, most existing approaches are parametric and rely primarily on time-domain representations. To address these limitations, we propose DipContrast, an end-to-end contrastive learning framework for non-parametric deep time-series clustering. DipContrast leverages a dual-domain architecture to learn robust latent representations from both time and frequency domains. The framework operates without prior knowledge of k by initially overestimating the number of clusters and progressively refining the latent space. It employs a prototype-driven non-parametric mechanism that iteratively merges candidate clusters based on unimodality, as determined by Hartigan’s Dip-test. During training, a Dip-guided prototypical loss and a cross-domain consensus objective jointly optimize the embeddings, ensuring intra-cluster cohesion and clear inter-cluster separation. Extensive experiments on 40 labeled datasets from the UCR archive and a large-scale unlabeled smart meter dataset demonstrate the effectiveness of the proposed framework. DipContrast consistently outperforms non-parametric baselines, achieving the highest NMI on 29 of the 40 UCR datasets. On the smart meter dataset, it attains a Silhouette score of 0.88. These results establish DipContrast as a robust and effective solution for non-parametric clustering of time-series data.
Schlagwörter
Schlagwörter
(Deutsch)
Deep Time-Series Clustering Kontrastives Lernen Nicht-parametrisches Clustering Time-Series Representation Learning Dual-Domain-Architektur
Schlagwörter
(Englisch)
Deep Time-Series Clustering Contrastive Learning Non-Parametric Clustering Time-Series Representation Learning Dual-Domain Architecture
Autor*innen
Moinuddin Noor
Haupttitel (Englisch)
DipContrast: a contrastive learning framework for non-parametric deep time-series clustering
Publikationsjahr
2026
Umfangsangabe
viii, 68 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Yllka Velaj
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17892130
Utheses ID
80769
Studienkennzahl
UA | 066 | 921 | |