TSLANet: 시계열 표현 학습을 위한 트랜스포머 재고

고유한 장기 및 단기 종속성으로 특징지어지는 시계열 데이터는 분석 응용 프로그램에서 독특한 도전을 제기합니다. 트랜스포머 기반 모델은 장기 종속성을 포착하는 데 뛰어나지만, 노이즈 민감도, 계산 효율성 및 작은 데이터셋에서의 과적합 문제에 직면해 있습니다. 이에 우리는 다양한 시계열 작업을 위한 범용 컨볼루션 모델인 새로운 시계열 경량 적응 네트워크(TSLANet)를 소개합니다. 특히, 우리는 푸리에 분석을 활용하여 특징 표현을 향상하고 장기 및 단기 상호작용을 포착하면서 적응 임계값을 통해 노이즈를 완화하는 적응 스펙트럼 블록을 제안합니다. 또한, 우리는 인터랙티브 컨볼루션 블록을 도입하고 자기 지도 학습을 활용하여 복잡한 시간적 패턴을 디코딩하는 TSLANet의 능력을 다듬고 다양한 데이터셋에서의 강인성을 향상시킵니다. 우리의 포괄적인 실험 결과는 TSLANet이 분류, 예측 및 이상 감지를 아우르는 다양한 작업에서 최첨단 모델을 능가하며, 다양한 노이즈 수준과 데이터 크기에서의 회복력과 적응성을 보여줍니다. 코드는 https://github.com/emadeldeen24/TSLANet에서 사용할 수 있습니다.