CFPNet：基于频域重构的关键频率补丁网络在多元时间序列分类中的创新与应用

本文提出CFPNet模型，通过频域自适应重构关键频率补丁（CFP）缓解Transformer的频率偏差，并结合小波变换与Kolmogorov-Arnold网络（Wav-KAN）增强局部特征提取。在14个UEA公开数据集和金属超声信号数据集上验证，分类准确率显著提升5.40%，为多元时间序列分类（MTSC）提供新范式。

　　

Highlight

基于频率域重构的CFPNet在多元时间序列分类中实现突破性进展，通过自适应频带掩蔽和Wav-KAN编码器有效解决Transformer模型的频率偏差与局部特征捕获难题。

Introduction

多元时间序列（MTS）是从多个变量随时间收集的数据序列，其分类是数据挖掘中的核心挑战。与传统分类不同，时间序列分类依赖顺序相关的判别模式，例如心电图（ECG）信号分析可通过心跳模式诊断心脏病。Transformer模型虽在MTS任务中表现卓越，但其自注意力机制存在频率偏差——倾向于学习高能量低频成分（如k₁），而忽略低振幅高频细节（k₂、k₃），导致细微特征丢失。此外，Transformer在捕获局部依赖关系方面存在不足，限制了其表征能力。

Conclusion

本文提出的CFPNet通过快速傅里叶变换（FFT）将时间序列映射至频域，利用自适应掩蔽模块以可学习阈值隐藏关键高频成分，并通过Wav-KAN编码器重构高频特征。该设计显著缓解了频率偏差，并增强了对局部细微模式的敏感性。在15个基准数据集上的实验表明，CFPNet分类精度超越现有最优方法，为MTS分类提供了新的解决方案。

Limitations and Future Work

尽管CFPNet在数据充足场景下表现优异，其在少样本或数据稀疏环境中的性能仍需验证。未来工作将探索模型在医疗诊断（如ECG异常检测）和工业检测（如金属缺陷识别）中的跨领域应用潜力。