FAIM: Leichtgewichtiges Frequenz-bewusstes Modell für Zeitreihenklassifikation

Die Klassifizierung von Zeitreihen ist in Bereichen wie Umweltüberwachung, medizinischer Diagnose und Körperhaltungserkennung von entscheidender Bedeutung. Für eine präzise Zuordnung von Klassen müssen Modelle die relevanten Merkmale aus den Daten extrahieren und verarbeiten.

Obwohl tiefe Lernarchitekturen exzellente Fähigkeiten besitzen, zeitliche Abhängigkeiten zu erfassen, leiden sie häufig unter hohem Rechenaufwand, Empfindlichkeit gegenüber Rauschen und Überanpassung bei kleinen Datensätzen. Diese Schwächen limitieren ihre Einsatzmöglichkeiten in ressourcenbeschränkten oder rauschintensiven Szenarien.

FAIM – Frequency‑Aware Interactive Mamba – bietet eine kompakte Lösung. Das Adaptive Filtering Block (AFB) nutzt die Fourier‑Transformation, um Frequenz‑Domänenmerkmale zu gewinnen, und setzt lernbare Schwellenwerte ein, um Rauschen dynamisch zu unterdrücken. Durch elementweise Kopplung globaler und lokaler semantischer Filter wird die Interaktion zwischen verschiedenen Frequenzkomponenten vertieft. Ergänzt wird dies durch den Interactive Mamba Block (IMB), der eine effiziente Interaktion auf mehreren Granularitätsstufen ermöglicht und so feinkörnige, diskriminierende Merkmale mit umfassendem globalem Kontext verbindet. Zusätzlich wird ein selbstüberwachtes Vortrainingsverfahren eingesetzt, das FAIM ein tieferes Verständnis komplexer zeitlicher Muster verleiht und die Robustheit in unterschiedlichen Domänen sowie bei hohem Rauschpegel steigert.

Erweiterte Experimente auf mehreren Benchmark‑Datensätzen zeigen, dass FAIM nicht nur die Genauigkeit der Zeitreihenklassifikation verbessert, sondern auch die Rechenkosten deutlich senkt. Diese Fortschritte eröffnen neue Möglichkeiten für die praktische Anwendung von TSC‑Modellen in Echtzeit‑Umgebungen und bei begrenzten Ressourcen.