arXiv cs.AI· Zelong Tian, Ming Jin, Bo Du, Shirui Pan·· 12 小时前AI 评分31
从频率视角重新审视时间序列 Tokenization：TimeFT 提出近无失真分词器
Rethinking Time Series Tokenization from a Frequency Perspective
AI 导读
针对现有时间序列 tokenization 策略引入频谱失真、使学习到的表示偏离趋势与周期性等真实模式的问题，研究者提出 TimeFT——一种基于频域划分、频率搬移与 Nyquist 采样的近无失真 tokenizer。该方法无参数、计算开销可忽略，可作为现有 tokenizer 的即插即用替代，在预测、分类与异常检测任务上均显著提升性能。该工作已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：将时间序列划分为子序列的 tokenization 已成为现代时间序列建模的基础范式。然而，我们发现当前的 tokenization 策略本质上会引入频谱失真，迫使学习到的表示偏离趋势、周期性和季节性等真实潜在模式，从而损害模型性能。通过从频率角度进行理论分析，我们推导出了此类失真发生的边界条件。为克服这一失真，我们提出了 TimeFT，一种用于时间序列数据的近乎无失真的基于频率的 tokenizer。TimeFT 通过频域划分、频率搬移和奈奎斯特采样获得 token。该方法无参数、计算复杂度可忽略不计，并可作为现有 tokenizer 的直接替代。我们在预测、分类和异常检测等多样化任务上的大量实验表明，TimeFT 能够持续且显著地提升性能。
| 评论： | 40 页，已被 NeuIPS 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28997 [cs.LG] |
| （或 arXiv:2610.28997v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28997 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zelong Tian [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 23:51:24 UTC（724 KB）
来源：arXiv cs.AI · arxiv.org