基于图谱谱分解的时序预测中路由通道-图块依赖
机器学习
2026-03-17 v1 人工智能
摘要
时序预测在人工智能领域引起了广泛关注。先前的研究表明，通道独立（Channel-Independent, CI）策略通过单独建模每个通道来提高预测性能，但常常存在泛化性差和忽略有意义的通间交互问题。相反，通道依赖（Channel-Dependent, CD）策略会聚合所有通道，可能引入无关信息并导致平滑化。尽管近期进展取得了意想不到的成果，但少数现有方法能灵活地根据不同通道依赖情况自适应平衡CI和CD策略。为此，我们提出一种通用插件xCPD，可从图谱谱分解的角度自适应建模通道-图块依赖。具体而言，xCPD首先使用共享的图傅里叶基底将多变量信号投影到频域，并根据其谱能量响应将图块分为低频、中频和高频带。xCPD随后应用通道自适应路由机制，动态调整每个图块的通间交互程度，从而实现频段特定专家的选择性激活。这有助于对平滑趋势、局部波动和突变转换进行细粒度、输入感知的建模。xCPD可无缝集成到现有的CI和CD预测模型之上，始终提升基准测试中的准确率和泛化性。代码已公开 https://github.com/Clearloveyuan/xCPD。
引用
@article{arxiv.2603.13702,
title = {Routing Channel-Patch Dependencies in Time Series Forecasting with Graph Spectral Decomposition},
author = {Dongyuan Li and Shun Zheng and Chang Xu and Jiang Bian and Renhe Jiang},
journal= {arXiv preprint arXiv:2603.13702},
year = {2026}
}
备注
The Paper has been Accepted by ICLR 2026