FreIE：神经网络在时间序列任务中的低频谱偏置
机器学习
2025-10-31 v1
摘要
时间序列数据的内在自相关性为 multivariate 时间序列预测的持续挑战。最近广泛采用的方法是纳入频域信息以辅助长期预测任务。许多研究者独立观察到神经网络存在谱偏置现象，即模型倾向于在高频信号之前拟合低频信号。然而，这些观察常常归因于研究者所设计的特定网络架构，而非将其视为跨模型的普遍特性。为统一理解长期时间序列预测中谱偏置的现象，我们进行了大量实验来衡量现有主流模型的谱偏置。我们的发现表明，几乎所有模型都呈现这一现象。为缓解谱偏置的影响，我们提出了 FreLE（Frequency Loss Enhancement）算法，通过显式和隐式频率正则化来增强模型的泛化能力。这是一个即插即用的数据损失函数单元。大量实验证明了 FreLE 的卓越性能。代码已公开于 https://github.com/Chenxing-Xuan/FreLE。
引用
@article{arxiv.2510.25800,
title = {FreIE: Low-Frequency Spectral Bias in Neural Networks for Time-Series Tasks},
author = {Jialong Sun and Xinpeng Ling and Jiaxuan Zou and Jiawen Kang and Kejia Zhang},
journal= {arXiv preprint arXiv:2510.25800},
year = {2025}
}