浙江大学等机构提出FreDF，通过频域损失函数有效提升时间序列预测精度。一行代码即可集成到主流模型，解决标签自相关性问题。
原文标题：ICLR 2025 | 一行代码！FreDF频域损失稳定提升时间序列预测精度
原文作者：机器之心
冷月清谈：
怜星夜思：
2、FreDF通过频域损失来解决标签自相关性问题，这个思路很新颖。那么，除了频域转换，还有没有其他时域的方法可以缓解标签自相关性对模型训练的影响？
3、文章提到FreDF具有模型无关性，可以在多种模型上使用。但实际应用中，FreDF在不同模型上的提升效果会不会有差异？哪些类型的模型可能更适合使用FreDF？
原文内容
本文由浙江大学、中南大学、上海交通大学、Tiktok、北京大学、南洋理工大学联合完成。第一作者王浩为浙江大学硕博连读生，发表NeurIPS、ICLR、KDD、WWW、TOIS等顶级会议和期刊十余篇。通讯作者为北京大学李昊轩助理研究员和南洋理工大学陶大程教授。
时间序列预测在气象预报、工业设备维护、医疗监测等领域具有关键应用价值。本文揭示现有方法忽略了标签序列中的自相关性，导致训练目标有偏。进一步，提出一种基于频域标签训练的新范式——FreDF，只需加入一行代码，即可在主流模型上实现预测精度的稳定提升。
-
论文标题：FreDF: Learning to Forecast in the Frequency Domain
-
论文地址：https://openreview.net/forum?id=4A9IdSa1ul
-
代码地址：https://github.com/Master-PLC/FreDF
其中，
为标签，
为预测值。该方法隐式假设标签序列在给定输入时条件独立（这样极大似然才等价于最小化 MSE）。但时间序列预测任务中，标签序列往往呈现显著的自相关性。因此，现有 DF 方法与时序数据生成机制存在失配。
【形式化】根据定理 3.1：当标签之间的相关系数大于 0 时，DF 方法的损失函数相比对数似然函数有偏。
由于频域中标签之间的相关性被抑制，根据定理 3.1，在频域计算的损失函数（如 MSE、MAE）相对对数似然函数无偏。
图 1. 标签序列中的自相关性分析。
案例分析：图 1（a）展示了自相关性在生成标签序列中的影响：第 t 时刻的标签不仅和输入有关，也和上一时刻的状态有关。图 2（b-d）量化了给定输入后，不同标签在时域和频域的自相关强度。结果表明：标签序列的自相关性在时域中显著，在频域中被抑制。
实现方法
受 Motivation 节启发，FreDF 提出了一种基于频域标签的模型训练方法，具体步骤如下：
-
使用傅里叶变换将标签序列从时域转换到频域：
。标签序列的自相关性在频域中被有效抑制。类似地，将模型的时域预测值由时域变换到频域：
。
FreDF 方法支持多种预测模型（如 Transformer、MLP 等），其实现非常简单：只需在模型的损失函数中添加频域损失即可。以下是一个基于 PyTorch 的简单实现示例，其中 outputs 为模型的时域预测值，batch_y 为标签序列。
# 原时域损失
loss_tmp = ((outputs-batch_y)**2).mean()
# 所提频域损失
loss_feq = (torch.fft.rfft(outputs, dim=1) - torch.fft.rfft(batch_y, dim=1)).abs().mean()
# 注释1. 频域损失可与时域损失加权融合，也可单独使用，一般均有性能提升，见灵敏度实验部分。
# 注释2. 频域损失使用MAE而不是MSE，是因为不同频谱分量的量级相差非常大。使用MSE会进一步放大这种差异，导致优化过程不稳定。
图 2. FreDF 工作流。
FreDF 可以显著提高预测性能。以 ETTm1 数据集为例，FreDF 将 iTransformer 的 MSE 降低了 0.019，这一改进与过去 1.5 年中该数据集性能提升相当（Fedformer 到 TimesNet，MSE 降低了 0.017）。这说明通过处理标签中的自相关性，FreDF 可以显著提升模型的预测性能。
FreDF 在短期预测任务上也有显著提升。在 M4 数据集上，FreDF 增强的 FreTS 在 3 个指标上均平均优于原生 FreTS 和基线模型。FreDF 在长期和短期预测任务上都展现出了良好的性能，证明了其作为一种通用预测范式的潜力。
论文还进行了消融实验，研究时域损失、频域损失对模型性能的贡献。结果表明：仅使用频域损失即可取得显著的性能改进，而适当融合时域损失可以进一步优化性能。
进一步细化消融实验，研究权重 α 对性能的影响。在绝大多数情况下，频域损失的性能均优于时域损失（α=1 vs α=0）。这说明即使不对 α 做调节，直接将时域损失替换为频域损失，也可以有效提升时序预测性能，真正实现「一行代码涨点」。此外，预测性能一般在 α 接近 1（如 0.8 或 0.9）时最佳。这意味着在时域和频域损失之间取得适当的平衡，并适当强调频域损失，可以获得较好的预测结果。
通过可视化预测序列发现，FreDF 生成的预测序列与真实标签序列之间的拟合度更高，能够更准确地捕捉到标签序列中的高频成分，同时抑制明显的噪声和异常波动。这说明频域损失可以在一定程度上抑制时域损失的过拟合，保持较好的泛化能力。
论文还测试了 FreDF 在不同神经网络架构上的表现，包括 iTransformer、DLinear、Autoformer 和 Transformer 等，证明了其与模型无关的特性：可以切实有效提升大多数主流时序预测模型的精度。
结论
自相关性的处理是时间序列预测的核心问题。现有方法聚焦输入中的自相关性的处理，而对标签中的自相关性尚未给予广泛关注。特别是，现有的多任务预测方法，其损失函数假设掉了标签中的自相关性，导致其相对似然函数有偏。
FreDF 提出了一种基于频域标签的训练方法，既保留了多任务预测的特性，又有效避免了标签自相关性带来的偏差。作为一种模型无关的损失函数，实验结果表明，其在多个预测模型上均表现出一致的性能提升。
不快来试一下？让 FreDF 成为你性能优化的「最后一棒」！
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：[email protected]