.png){kind=icon}
返回
AFFS: Adaptive Fast Frequency Selection Algorithm for Deep Learning Feature Extraction
.png){kind=icon}
PRE
AI
DOI：10.1109/TKDE.2025.3638836.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着深度学习（DL）的持续发展，从大规模数据中有效提取特征对于提升模型性能仍至关重要。为利用频率域的优势（如信号能量集中、数据特征突出、细节特性丰富），本文提出了一种新颖的频率域特征提取方法。然而，现有的频率分量选择算法往往难以适应多样化任务，倾向于仅产生局部最优解，且需要较长的处理时间。为克服这些局限性，我们引入了自适应快速频率选择（AFFS）算法，该算法将频率分量选择因子层无缝集成到DL模型中，以识别适用于各类下游任务的全球最优频率组合。我们进一步分析了所选频率分量与模型性能之间的关系，为最优性、鲁棒性及泛化误差界限提供了理论保证。此外，开发了一种快速选择流程，利用选择因子排序的快速收敛特性（经验观察），显著加速了选择过程。在五个数据集、十个DL模型和两个后续任务上的大量实验表明，AFFS取得了卓越的性能：即使输入数据量仅为原始频率特征的10%，模型分类准确率仍提升约1%，而早停机制将选择过程缩短约80%。
Keyword:
Discrete cosine transform
feature extraction
frequency components selection
frequency domain
查看更多机构