본 논문은 시계열 분류 작업을 위한 대조 학습에서 최적의 증강 전략 설계의 중요성을 강조하며, 기존의 시계열 데이터에 특화되지 않은 시계열 증강 방법들의 한계를 지적합니다. 이를 해결하기 위해 주파수 영역에서의 새로운 관점을 제시하고, 세 가지 장점(전역적, 독립적, 압축적)을 갖는 주파수 기반의 경량 증강 기법인 FreRA(Frequency Refined Augmentation)를 제안합니다. FreRA는 중요한 주파수 성분과 그렇지 않은 성분을 자동으로 분리하여, 중요한 성분은 의미를 보존하고, 중요하지 않은 성분에는 변이를 주입하는 방식으로 동작합니다. 이론적으로 의미를 보존하는 뷰를 생성함을 증명하고, UCR, UEA 아카이브 및 대규모 데이터셋을 사용한 실험을 통해 기존 방법들을 능가하는 성능을 보임을 확인합니다. 시계열 분류, 이상 탐지, 전이 학습 작업에서 우수한 성능을 보이며, 다양한 데이터셋에서 우수한 일반화 성능을 보여줍니다.
