面向非平稳时间序列的相位驱动域泛化学习
机器学习
2025-10-23 v2 信号处理
摘要
模式识别是连续传感应用中的一项基础任务，但真实世界场景常经历分布偏移，这要求为此类任务学习泛化表示。时间序列数据加剧了这一挑战，其表现出固有的非平稳性——统计和频谱特性随时间变化。在本工作中，我们通过将信号的相位信息作为非平稳性的近似代理，为时间序列分类的泛化表示学习提供了新视角，并提出了一种用于时间序列分类的相位驱动泛化表示学习框架 PhASER。它包含三个关键要素：1）基于 Hilbert 变换的增强，在保留任务特定判别语义的同时使非平稳性多样化；2）分离的幅度-相位编码，将时变幅度和相位视为独立模态；3）相位残差特征广播，将 2D 相位特征通过残差连接整合到 1D 信号表示中，提供内在正则化以改善分布不变学习。在来自睡眠阶段分类、人类活动识别和手势识别的五个数据集上，对 13 种最先进的基线方法进行了广泛评估，结果表明 PhASER 始终优于最佳基线，平均提升 5%，在某些情况下高达 11%。此外，PhASER 的原理可广泛应用于增强现有时间序列表示学习模型的泛化能力。
引用
@article{arxiv.2402.05960,
title = {Phase-driven Domain Generalizable Learning for Nonstationary Time Series},
author = {Payal Mohapatra and Lixu Wang and Qi Zhu},
journal= {arXiv preprint arXiv:2402.05960},
year = {2025}
}
备注
TMLR 2025