FusAD：基于自适应去噪的时间频率融合用于通用时间序列分析

时间序列分析在金融、医疗、工业和气象学等领域发挥着重要作用，支撑着分类、预测和异常检测等关键任务。尽管近年来深度学习模型在这些领域取得了显著进展，但构建一个高效、与多任务兼容且具有普适性的统一框架仍然是一个重大挑战。现有方法往往针对单个任务或特定数据类型进行设计，难以同时处理多任务建模并有效整合不同类型时间序列的信息。此外，现实数据常受噪声、复杂频率成分和多尺度动态模式的影响，这进一步复杂化了鲁健特征提取和分析。为缓解这些挑战，我们提出了 FusAD，一个面向多样化时间序列任务的统一分析框架。FusAD 具备自适应的时间频率融合机制，集成了傅里叶变换和小波变换，高效捕获全局-局部和多尺度动态特征。配合自适应去噪机制，FusAD 自动感知和过滤 various types of noise，突出关键序列变异，使其在复杂环境中实现稳健的特征提取。此外，该框架集成了通用信息融合和解码结构，结合掩码预训练，以促进多粒度表示的高效学习和迁移。大量实验表明，FusAD 在主流时间序列基准测试上进行分类、预测和异常检测任务时， consistently 优于最先进的模型，同时保持高效益和可扩展性。代码已在 https://github.com/zhangda1018/FusAD 上提供。