FMMVCC: Fuzzy Mamba-based Multi-View Contrastive Clustering for Univariate Time Series

📄 arXiv: 2607.07258v1 📥 PDF

作者: Donato Cerciello, Leonardo Schiavo, Angel Panizo-LLedot, Javier Huertas Tato, David Camacho

分类: cs.LG, cs.AI

发布日期: 2026-07-08

💡 一句话要点

提出FMMVCC以解决时间序列聚类中的长程依赖问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 时间序列聚类 深度学习 自监督学习 状态空间模型 多视角学习

📋 核心要点

  1. 现有深度聚类方法难以捕捉时间序列中的长程依赖，且计算成本高。
  2. FMMVCC通过状态空间序列建模和多视角自监督学习，提供高效的时间表示学习。
  3. 在15个基准数据集上的实验结果显示，FMMVCC在多个指标上超越了现有最优基线。

📝 摘要（中文）

在许多实际场景中，生成大量时间序列数据但缺乏标注限制了监督学习方法的应用，促使无监督方法的使用。聚类在组织时间序列方面至关重要，能够直接从原始数据中发现有意义的结构。现有深度聚类方法常常难以捕捉长程时间依赖或依赖于高计算成本的架构。本文提出FMMVCC，一个基于Mamba的深度聚类框架，利用状态空间序列建模以线性复杂度高效学习时间表示，并结合多视角自监督学习、时间掩蔽和数据增强。实验评估显示，FMMVCC在15个基准数据集上表现优异，在60个指标评估中有29项达到最佳性能，且在所有测试场景中平均排名最高。

🔬 方法详解

问题定义：本文旨在解决时间序列聚类中长程时间依赖捕捉不足和计算成本高的问题。现有方法往往无法有效处理大规模时间序列数据，导致聚类效果不佳。

核心思路：FMMVCC的核心思路是利用Mamba框架进行深度聚类，通过状态空间序列建模实现高效的时间表示学习，降低计算复杂度，同时结合多视角自监督学习增强模型的泛化能力。

技术框架：FMMVCC的整体架构包括数据预处理、状态空间建模、聚类模块和自监督学习模块。首先对时间序列数据进行预处理，然后通过状态空间模型提取时间特征，接着进行聚类，最后通过自监督学习优化模型。

关键创新：FMMVCC的主要创新在于其基于Mamba的设计，能够以线性复杂度捕捉时间序列中的长程依赖，与现有方法相比，显著降低了计算成本和时间复杂度。

关键设计：在模型设计中，采用了多视角自监督学习策略，结合时间掩蔽和数据增强技术，提升了模型的学习能力和鲁棒性。损失函数的设计也考虑了聚类效果与时间特征的结合，确保了聚类结果的有效性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

FMMVCC在15个基准数据集上的实验结果显示，其在60个指标评估中有29项达到了最佳性能，且在所有测试场景中平均排名最高，证明了其在时间序列聚类任务中的优越性和有效性。

🎯 应用场景

FMMVCC在时间序列数据分析、金融市场预测、气象数据处理等领域具有广泛的应用潜力。其高效的聚类能力能够帮助研究人员和工程师更好地理解和利用大规模时间序列数据，推动相关领域的研究与实践。未来，该方法有望在更多复杂数据场景中发挥作用，提升数据分析的效率和准确性。

📄 摘要（原文）

In many realistic scenarios, large volumes of time series data are generated with limited or expensive annotations. This limitation makes supervised learning methods difficult to apply and leads to the use of unsupervised approaches capable of discovering meaningful structures directly from raw data. Clustering therefore plays a crucial role in organizing time series into groups that share similar temporal patterns, enabling exploratory analysis and downstream tasks without requiring manual labeling. However, existing deep clustering methods often struggle to capture long-range temporal dependencies or rely on architectures with high computational cost. This paper introduces FMMVCC, a Mamba-based deep clustering framework for time series that leverages state space sequence modeling to efficiently learn temporal representations with linear complexity. Additionally, it utilizes multi-view self-supervised learning with temporal masking and augmentations. Experimental evaluation in 15 benchmark datasets proves that FMMVCC consistently outperforms state-of-the-art baselines, achieving the best overall performance in 29 of 60 total metric evaluations and the highest average rank in all tested scenarios.