TFEC: Multivariate Time-Series Clustering via Temporal-Frequency Enhanced Contrastive Learning

📄 arXiv: 2601.07550v1 📥 PDF

作者: Zexi Tan, Tao Xie, Haoyi Xiao, Baoyao Yang, Yuzhu Ji, An Zeng, Xiang Zhang, Yiqun Zhang

分类: cs.LG

发布日期: 2026-01-12

备注: Submitted to ICASSP 2026

🔗 代码/项目: GITHUB

💡 一句话要点

提出TFEC框架，通过时频增强对比学习提升多元时间序列聚类性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 多元时间序列聚类 对比学习 时频分析 时间序列表示学习 聚类算法

📋 核心要点

  1. 现有基于对比学习的多元时间序列聚类方法忽略了聚类信息，且数据增强破坏了时间依赖性。
  2. TFEC框架通过时频协同增强机制，在生成低失真表示的同时保留时间结构。
  3. 实验结果表明，TFEC在多个数据集上优于现有方法，平均NMI提升4.48%。

📝 摘要（中文）

多元时间序列(MTS)聚类在信号处理和数据分析中至关重要。深度学习方法，特别是利用对比学习(CL)的方法，在MTS表示学习中表现突出。然而，现有的基于CL的模型面临两个主要限制：1)在正/负样本对构建过程中忽略了聚类信息；2)引入了不合理的归纳偏置，例如，通过增强策略破坏了时间依赖性和周期性，从而损害了表示质量。因此，本文提出了一种时频增强对比(TFEC)学习框架。为了在生成低失真表示的同时保留时间结构，引入了一种时频协同增强(CoEH)机制。相应地，设计了一个协同的双路径表示和聚类分布学习框架，以联合优化聚类结构和表示保真度。在六个真实世界基准数据集上的实验表明了TFEC的优越性，与SOTA方法相比，平均NMI增益达到4.48%，消融研究验证了该设计的有效性。

🔬 方法详解

问题定义：多元时间序列聚类旨在将具有相似时间模式的序列划分到同一簇中。现有基于对比学习的方法在构建正负样本对时，往往忽略了聚类信息，导致学习到的表示与真实的簇结构不一致。此外，常用的数据增强方法，如时间扭曲或幅度缩放，可能会破坏时间序列的时间依赖性和周期性，引入不合理的归纳偏置，从而损害表示质量。

核心思路：TFEC的核心思路是利用时频协同增强(CoEH)机制，在对比学习过程中同时考虑时域和频域的信息，以生成更鲁棒和具有判别性的时间序列表示。通过在时域和频域上进行协同增强，模型能够学习到既保留时间结构又对噪声具有鲁棒性的表示。同时，设计一个双路径学习框架，分别学习表示和聚类分布，并联合优化，从而提高聚类性能。

技术框架：TFEC框架包含两个主要路径：表示学习路径和聚类分布学习路径。表示学习路径利用时频协同增强(CoEH)机制生成增强后的时间序列，并通过对比学习损失来学习时间序列的表示。聚类分布学习路径利用学习到的表示来估计聚类分布，并通过KL散度损失来优化聚类分布。两个路径通过一个共享的编码器进行连接，并联合优化，从而实现表示学习和聚类分布学习的协同优化。

关键创新：TFEC的关键创新在于时频协同增强(CoEH)机制和双路径学习框架。CoEH机制通过在时域和频域上进行协同增强，能够生成既保留时间结构又对噪声具有鲁棒性的时间序列表示。双路径学习框架通过联合优化表示学习和聚类分布学习，能够提高聚类性能。

关键设计：CoEH机制包括时域增强和频域增强两个部分。时域增强采用随机裁剪和时间扭曲等方法，以增加时间序列的多样性。频域增强采用频谱掩码和频谱平滑等方法，以提高时间序列对噪声的鲁棒性。对比学习损失采用InfoNCE损失，以最大化正样本对之间的相似性，最小化负样本对之间的相似性。聚类分布学习采用KL散度损失，以使学习到的聚类分布接近真实的聚类分布。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

TFEC在六个真实世界基准数据集上进行了评估，实验结果表明，TFEC优于现有的SOTA方法，平均NMI增益达到4.48%。消融研究验证了时频协同增强(CoEH)机制和双路径学习框架的有效性。实验结果表明，TFEC能够有效地学习到具有判别性的时间序列表示，并提高聚类性能。

🎯 应用场景

TFEC框架可应用于各种多元时间序列聚类任务，例如：传感器数据分析、金融时间序列分析、医疗健康监测等。通过对时间序列数据进行有效聚类，可以发现隐藏的模式和规律，为决策提供支持，并提高效率。该研究的未来影响在于推动时间序列聚类技术的发展，并促进其在更多领域的应用。

📄 摘要（原文）

Multivariate Time-Series (MTS) clustering is crucial for signal processing and data analysis. Although deep learning approaches, particularly those leveraging Contrastive Learning (CL), are prominent for MTS representation, existing CL-based models face two key limitations: 1) neglecting clustering information during positive/negative sample pair construction, and 2) introducing unreasonable inductive biases, e.g., destroying time dependence and periodicity through augmentation strategies, compromising representation quality. This paper, therefore, proposes a Temporal-Frequency Enhanced Contrastive (TFEC) learning framework. To preserve temporal structure while generating low-distortion representations, a temporal-frequency Co-EnHancement (CoEH) mechanism is introduced. Accordingly, a synergistic dual-path representation and cluster distribution learning framework is designed to jointly optimize cluster structure and representation fidelity. Experiments on six real-world benchmark datasets demonstrate TFEC's superiority, achieving 4.48% average NMI gains over SOTA methods, with ablation studies validating the design. The code of the paper is available at: https://github.com/yueliangy/TFEC.