基于频率感知交互式Mamba模型的时间序列分类 (FAIM)
机器学习
2025-12-10 v1
摘要
时间序列分类 (TSC) 在环境监测、医疗诊断和姿态识别等众多实际应用中至关重要。TSC任务要求模型有效捕获判别性信息以实现准确的类别识别。虽然深度学习架构在捕获时序依赖性方面表现出色，但常常面临高计算成本、对噪声扰动的敏感性以及在小规模数据集上易过拟合的问题。为此，我们提出FAIM——一个轻量级频率感知交互式Mamba模型。具体而言，我们引入自适应滤波块 (AFB)，利用傅里叶变换从时间序列数据中提取频域特征。AFB融入可学习的自适应阈值，以动态抑制噪声，并采用全局与局部语义自适应滤波的元素级耦合，实现对不同频率分量间协同作用的深入建模。此外，我们设计了交互式Mamba块 (IMB)，以促进多粒度信息的交互，平衡细粒度判别特征提取与全局上下文信息的全面捕获，从而赋予FAIM强大而富有表现力的TSC表示。我们还纳入自监督预训练机制，以增强FAIM对复杂时序模式的理解，并提升其在各种域和高噪声情境下的鲁性。大量实验表明，FAIM在多个基准数据集上均稳居SOTA方法之首，在准确率与效率之间实现卓越的权衡，性能突出。
引用
@article{arxiv.2512.07858,
title = {FAIM: Frequency-Aware Interactive Mamba for Time Series Classification},
author = {Da Zhang and Bingyu Li and Zhiyuan Zhao and Yanhan Zhang and Junyu Gao and Feiping Nie and Xuelong Li},
journal= {arXiv preprint arXiv:2512.07858},
year = {2025}
}