論文の概要: FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis

• arxiv url: http://arxiv.org/abs/2512.14078v1
• Date: Tue, 16 Dec 2025 04:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.585467
• Title: FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis
• Title（参考訳）: FusAD: 一般時系列解析のための適応デノケーション付き時間周波数融合
• Authors: Da Zhang, Bingyu Li, Zhiyuan Zhao, Feiping Nie, Junyu Gao, Xuelong Li,
• Abstract要約: 時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
• 参考スコア（独自算出の注目度）: 92.23551599659186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series analysis plays a vital role in fields such as finance, healthcare, industry, and meteorology, underpinning key tasks including classification, forecasting, and anomaly detection. Although deep learning models have achieved remarkable progress in these areas in recent years, constructing an efficient, multi-task compatible, and generalizable unified framework for time series analysis remains a significant challenge. Existing approaches are often tailored to single tasks or specific data types, making it difficult to simultaneously handle multi-task modeling and effectively integrate information across diverse time series types. Moreover, real-world data are often affected by noise, complex frequency components, and multi-scale dynamic patterns, which further complicate robust feature extraction and analysis. To ameliorate these challenges, we propose FusAD, a unified analysis framework designed for diverse time series tasks. FusAD features an adaptive time-frequency fusion mechanism, integrating both Fourier and Wavelet transforms to efficiently capture global-local and multi-scale dynamic features. With an adaptive denoising mechanism, FusAD automatically senses and filters various types of noise, highlighting crucial sequence variations and enabling robust feature extraction in complex environments. In addition, the framework integrates a general information fusion and decoding structure, combined with masked pre-training, to promote efficient learning and transfer of multi-granularity representations. Extensive experiments demonstrate that FusAD consistently outperforms state-of-the-art models on mainstream time series benchmarks for classification, forecasting, and anomaly detection tasks, while maintaining high efficiency and scalability. Code is available at https://github.com/zhangda1018/FusAD.
• Abstract（参考訳）: 時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を担い、分類、予測、異常検出といった重要なタスクを支えている。 近年、ディープラーニングモデルはこれらの領域で顕著な進歩を遂げているが、効率的なマルチタスク互換の構築、時系列解析のための一般化可能な統合フレームワークの構築は依然として大きな課題である。 既存のアプローチは、単一のタスクや特定のデータタイプに合わせて調整されることが多いため、マルチタスクモデリングを同時に処理し、さまざまな時系列タイプにまたがる情報を効果的に統合することは困難である。 さらに、実世界のデータは、しばしばノイズ、複雑な周波数成分、マルチスケールの動的パターンの影響を受け、ロバストな特徴抽出と分析をさらに複雑にする。 これらの課題を改善するために,多様な時系列タスク用に設計された統合分析フレームワークFusADを提案する。 FusADは適応的な時間周波数融合機構を備え、フーリエ変換とウェーブレット変換を統合して、グローバルローカルおよびマルチスケールの動的特徴を効率的に捉える。 適応型 denoising 機構により、FusAD は様々な種類のノイズを自動的に検知し、フィルタし、重要なシーケンスのバリエーションを強調し、複雑な環境で堅牢な特徴抽出を可能にする。 さらに、このフレームワークは、汎用情報融合および復号構造とマスク付き事前学習を統合し、多粒度表現の効率的な学習と伝達を促進する。 大規模な実験により、FusADは、高い効率とスケーラビリティを維持しながら、分類、予測、異常検出タスクの主流時系列ベンチマークにおいて、常に最先端のモデルより優れていることが示された。 コードはhttps://github.com/zhangda1018/FusADで入手できる。

関連論文リスト

• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• TSLANet: Rethinking Transformers for Time Series Representation Learning [19.795353886621715]
  時系列データは、その固有の長短の依存関係によって特徴づけられる。 本稿では,時系列タスクの普遍的畳み込みモデルとして,新しい時系列軽量ネットワーク(TSLANet)を導入する。 我々の実験では、TSLANetは分類、予測、異常検出にまたがる様々なタスクにおいて最先端のモデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-04-12T13:41:29Z)
• TFAD: A Decomposition Time Series Anomaly Detection Architecture with Time-Frequency Analysis [12.867257563413972]
  時系列異常検出は、複雑な時間的依存と限られたラベルデータのために難しい問題である。 本稿では,時間領域と周波数領域の両方を利用した時間周波数解析に基づく時系列異常検出モデル(TFAD)を提案する。
  論文  参考訳（メタデータ） (2022-10-18T09:08:57Z)
• Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
  マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。 我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。 本モデルは,多くの多変量データセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-05-16T07:53:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。