通过 Floss 的频域正则化方法提升周期时间序列的表示学习

Aug, 2023

通过 Floss 的频域正则化方法提升周期时间序列的表示学习

Enhancing Representation Learning for Periodic Time Series with Floss: A Frequency Domain Regularization Approach

Chunwei Yang, Xiaoxu Chen, Lijun Sun, Hongyu Yang, Yuankai Wu

TL;DR提出了一种称为 Floss 的无监督方法，通过自动在频率域中规范学习到的表示，用于捕捉时间序列中的周期性动态和改进深度学习模型。

Abstract

time series analysis is a fundamental task in various application domains, and deep learning approaches have demonstrated remarkable performance in this area. However, many real-world time series data exhibit sig

time series analysis deep learning periodic dynamics floss unsupervised learning

发现论文，激发创造

一种无监督的时间序列周期性源检测方法

利用无标签数据和无需自定义数据生成机制的新方法检测时间序列数据中的周期性，克服了强数据增强可能导致的表示崩溃问题，并在三个时间序列任务中相对于现有学习方法表现出 45-50% 的性能提升。

Jun, 2024

基于时间 - 频率一致性的自监督对比预训练时序模型

该论文提出了一种新的预训练方法，通过考虑时频一致性来适应不同时间动态的目标领域，并证明了该方法在多种实际应用场景下性能优于当前主流方法。

Jun, 2022

带频率正则化的监督低秩半非负矩阵分解用于时空数据预测

使用监督半非负矩阵分解和频率正则化的新方法，提出了一种预测时空数据的新方法。通过矩阵分解将时空数据分解为空间和时间分量，并引入非负性约束和频率域的正则化来改善时态模式的清晰度。通过在频率域中选择特征，提供了更便于解释的频率域解释。该方法在地球物理数据分析中具有潜在广泛应用，并与 GRACE 数据的先前研究结果相比，提供了更清晰的可解释性。

Nov, 2023

在频域中高效地学习算子

本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

Nov, 2022

基于频域的长期时间序列预测（FreDo）

本文研究了长期预测问题，提出了一种基于周期性的基础模型和建立在其上的频域神经网络模型 “FreDo”，并通过与时域模型的比较证明了其优越性。

May, 2022

SimPer: 简单的自监督周期目标学习

本文提出 SimPer 自监督学习方法，针对自然界中周期变化的过程，通过定制增强、特征相似度度量和对比损失函数等手段，学习数据中的周期信息，并在人类行为分析、环境感知和医疗领域中的常见真实世界任务中得到了验证和应用。

Oct, 2022

频域多层感知机在时间序列预测中的更高学习能效

将 MLP 应用于频域的时间序列预测方法称为 FreTS，并在 13 个真实世界基准测试中展现出与现有方法相比的显著优势。

Nov, 2023

FiLM：长期时间序列预测的改进 Legendre Memory 模型

本文介绍了一种基于 FiLM 模型的深度学习算法，该算法使用 Legendre 多项式投影来近似历史信息，使用傅里叶投影来去除噪声，并且增加了一个低秩逼近来加速计算，实验结果表明这种算法大大提高了多元和单一长期预测的准确性，并且该方法可以作为一种普适的插件应用于深度学习中其他模块中以提高长期预测性能。

May, 2022

通过时间频率图像编码增强可穿戴传感器数据的深度学习适应性

本论文提出了一种新型的基于改进循环图像的时间频率信息表示法，着重于针对穿戴传感器数据的分类，结果表明该方法在活动识别方面相较于现有方法性能更佳。

Jul, 2023

频域中的时间序列扩散

傅里叶分析和扩散模型之间存在重要的协同关系，通过在频域表示时间序列，频率扩散模型能更好地捕捉训练分布，进行了经验证实的评估。

Feb, 2024