基于小波的解缠自适应归一化用于非平稳时间序列预测
计算机视觉与模式识别
2025-06-09 v1 人工智能
摘要
预测非平稳时间序列是一个具有挑战性的任务，因为其统计特性随时间变化，使得深度模型难以良好地泛化。instance 级别的归一化技术有助于解决时间分布的偏移。然而，大多数现有方法忽略了时间序列的多组成分，即不同组成分 exhibits 各自不同的非平稳行为。在本文中，我们提出了一种基于小波的解缠自适应归一化（WDAN），这是一种面向非平稳时间序列预测的模型无关框架。WDAN 使用离散小波变换将输入分解为低频趋势和高频波动。随后对每一部分应用量身定制的归一化策略。对于表现出强非平稳性的趋势分量，我们应用一阶差分来提取稳定特征，用于预测归一化参数。在多个基准数据集上的大量实验表明，WDAN 在各种主干模型上均能持续改善预测准确度。代码已在本存储库提供：https://github.com/MonBG/WDAN。
引用
@article{arxiv.2506.05856,
title = {Cross-View Multi-Modal Segmentation @ Ego-Exo4D Challenges 2025},
author = {Yuqian Fu and Runze Wang and Yanwei Fu and Danda Pani Paudel and Luc Van Gool},
journal= {arXiv preprint arXiv:2506.05856},
year = {2025}
}
备注
The 2nd Price Award of EgoExo4D Relations, Second Joint EgoVis Workshop with CVPR2025, technical report paper is accepted by CVPRW 25