基于谐波分解的时间序列预测数据集蒸馏
机器学习
2026-03-05 v1
摘要
时序预测（TSF）在现代时代面临着因实际数据规模巨大而导致的计算和存储成本挑战。数据集蒸馏（DD）一种将小型�凑数据集合成以实现与原始数据集相当训练性能的范式，已成为有前景的解决方案。然而，传统 DD 方法不针对时序数据，受制于架构过拟合和可扩展性有限。为此，我们提出面向时序预测的谐波数据蒸馏（HDT）。HDT 通过 FFT 将时序数据分解为其正弦基，并通过谐波匹配实现核心周期结构的对齐。由于该过程在频域中操作，所有蒸馏期间的更新都以全局方式应用，不会破坏时序数据的时间依赖性。广泛的实验表明，HDT 实现了强大的跨架构泛化和可扩展性，验证了其在大规模实际应用中的实用性。
引用
@article{arxiv.2603.03760,
title = {Harmonic Dataset Distillation for Time Series Forecasting},
author = {Seungha Hong and Sanghwan Jang and Wonbin Kweon and Suyeon Kim and Gyuseok Lee and Hwanjo Yu},
journal= {arXiv preprint arXiv:2603.03760},
year = {2026}
}
备注
AAAI 2026