FreRA：面向时间序列分类对比学习的频率细化增强

对比学习已成为无监督表示学习的一种有效方法。然而，尽管最优增强策略的设计对对比学习至关重要，但在时间序列分类任务中却较少被探索。现有的预定义时域增强方法主要借鉴自计算机视觉领域，并非针对时间序列数据量身定制。因此，这种跨模态不兼容性可能会通过引入不匹配的模式来扭曲时间序列的语义相关信息。为了解决这一局限性，我们从频域提出了一个新颖的视角，并确定了其在下游分类中的三个优势：全局性、独立性和紧凑性。为了充分利用这三个特性，我们提出了轻量且有效的频率细化增强，专为时间序列分类任务的对比学习量身定制，可以即插即用的方式无缝集成到对比学习框架中。具体而言，FreRA 自动分离关键和不重要的频率成分。据此，我们提出了语义感知的恒等修改和语义无关的自适应修改，以分别保护关键频率成分中的语义相关信息，并向不重要的频率成分注入方差。在理论上，我们证明了 FreRA 生成保留语义的视图。在经验上，我们在两个基准数据集（包括 UCR 和 UEA 档案库）以及五个不同应用的大规模数据集上进行了广泛实验。FreRA 在时间序列分类、异常检测和迁移学习任务上始终优于十个领先基线，展示了其在跨不同数据集的对比表示学习和迁移学习场景泛化方面的卓越能力。