ICLR'25 | 一行代码！FreDF频域损失稳定提升时间序列预测精度

主要观点总结

本文揭示了现有时间序列预测方法忽略标签序列中的自相关性，导致训练目标有偏的问题。针对这一问题，文章提出了一种基于频域标签训练的新范式——FreDF。通过傅里叶变换将标签序列投影到频域，FreDF能够有效抑制标签序列中的自相关性，从而提高预测精度。实验结果表明，FreDF在多个数据集上均表现出显著的性能提升。

关键观点总结

关键观点1: 现有时间序列预测方法的问题

现有方法主要聚焦于输入序列的自相关建模，忽视了标签序列自相关性的影响。这导致在训练目标中存在偏差。

关键观点2: FreDF方法的原理

FreDF利用傅里叶变换将标签序列从时域转换到频域，抑制标签序列中的自相关性。通过计算频域损失，FreDF能够更有效地进行模型训练。

关键观点3: 实验结果

实验结果表明，FreDF可以显著提高预测性能。在多个数据集上，FreDF显著优于基线模型和其他增强方法。

关键观点4: FreDF的特点和优势

FreDF作为一种模型无关的损失函数，具有通用性，可以应用于大多数主流时间序列预测模型。通过抑制标签自相关性带来的偏差，FreDF能够提高模型的预测精度。