FusAD: Zeit‑Frequenz‑Fusion mit adaptiver Rauschunterdrückung für Zeitreihen

In Bereichen wie Finanzen, Gesundheitswesen, Industrie und Meteorologie ist die Analyse von Zeitreihen unverzichtbar – sei es für Klassifikation, Prognose oder Anomalieerkennung. Trotz der Fortschritte im Deep Learning bleibt die Entwicklung eines effizienten, mehrzweckfähigen und generalisierbaren Rahmens für die Analyse von Zeitreihen eine große Herausforderung. Viele bestehende Ansätze sind auf einzelne Aufgaben oder spezifische Datentypen zugeschnitten, wodurch die gleichzeitige Handhabung mehrerer Aufgaben und die Integration von Informationen aus unterschiedlichen Zeitreihen erschwert wird.

Um diese Probleme zu adressieren, stellt das neue Forschungsprojekt FusAD einen einheitlichen Analyse‑Framework vor. FusAD nutzt eine adaptive Zeit‑Frequenz‑Fusion, die Fourier‑ und Wavelet‑Transformationen kombiniert, um globale, lokale und mehrskalige Dynamiken effizient zu erfassen. Durch einen adaptiven Denoising‑Mechanismus erkennt und filtert das System automatisch verschiedene Rauscharten, wodurch wichtige Sequenzvariationen hervorgehoben und robuste Merkmale in komplexen Umgebungen extrahiert werden können.

Der Rahmen integriert zudem eine generelle Informationsfusion und Decodierungsstruktur, die mit maskiertem Pre‑Training kombiniert wird. Dadurch wird das Lernen effizienter gestaltet und die Übertragbarkeit von mehrgranularen Repräsentationen gefördert. FusAD ist damit in der Lage, mehrere Aufgaben gleichzeitig zu bearbeiten und gleichzeitig die Herausforderungen von Rauschen, komplexen Frequenzkomponenten und mehrskaligen dynamischen Mustern zu meistern.

Erste Experimente zeigen, dass FusAD die Leistung bei Klassifikations-, Prognose- und Anomalieerkennungsaufgaben signifikant steigert und dabei robust gegenüber realweltlichen Störungen bleibt. Das Projekt eröffnet neue Perspektiven für die ganzheitliche Analyse von Zeitreihen in verschiedensten Anwendungsfeldern.