明显提升Transformer在高频信号的预测效果的策略。

KDD2024 | Transformer频域消偏提升时序预测准确性！

Transformer在时间序列中已经应用比较广泛。但是最近一些针对Transformer的研究工作指出，Transformer的self-attention机制在建模序列数据时，比较倾向于学习低频的信息，而忽略了高频信息，造成频率偏差问题，影响了预测效果。

在时间序列预测中，这个问题也存在，为了解决这个问题，在KDD 2024上，大阪大学发表了一篇相关工作Fredformer，对Transfomrer在时间序列预测中的这种问题进行了解决。

论文标题：Fredformer: Frequency Debiased Transformer for Time Series Forecasting

下载地址：https://arxiv.org/pdf/2406.09009v4

一些研究指出，transformer模型在进行时间序列预测时，会存在频率偏差问题，也就是模型只关注到了序列数据中的低频信息，忽略了高频信息。这个问题在时间序列预测领域同样存在。比如下图是一些基于Transformer的预测模型，可以看到在预测结果中，模型的预测是比较平滑的，反映了整体的趋势。但是对于高频趋势却预测不出来。

为了进一步验证这个问题，这篇文章首先进行了一些case study。预先设定3个频率，根据这些频率组成人造的时间序列数据，使用Transformer模型进行训练并预测。下图反应了各个频率的预测效果，训练到50轮后，k1作为低频信号已经被拟合的loss比较小了，但是k3这个高频信号却学得很差，说明Transformer时间序列预测模型也存在这种问题。而右侧的图调整了各个频率成分的权重后，高频的k3被拟合的更好了，k1反而拟合的不好。说明造成这种频率偏差问题的主要原因是各个成分的权重不同。这有点类似于多任务学习中，不同任务的数据量或者loss差别大，导致模型侧重于某几个任务的学习。

为了解决上述的频率bias问题，本文从平衡各个频率成分的比例出发，同时又将各个频率成分的建模拆解开，尽量减小各个成分之间的影响。

整体的模型结构如下图所示。首先，通过傅里叶变换将时间序列映射到频域中。在频域中，将时间序列进行分patch处理，并对每个patch的数据进行频域中的归一化。通过这种方式，让每个频率成分在patch内单独建模，又让每个频率成分的振幅值域归一化到同一水平上，防止某一频率主导了模型学习。

对于每一个频率patch进行独立的Transfomrer建模。这个过程类似于iTransformer的操作，在变量维度使用Transformer。假设有N个频域patch，有C个变量，那么会有N个Transformer。每个Transformer在变量维度计算self-attention，每个频域的patch独立进行建模。通过这种方式，尽量减小各个频率之间的干扰。

最终，再将频域的表征通过逆向傅里叶变换映射回时域，通过一个MLP网络映射到最终输出结果。

在实验中，作者对比了不同预测窗口的多变量时间序列预测效果，本文提出的方法取得了显著的效果提升。

从case分析来看，模型相比其他Transformer模型，在高频信号的预测上有一个显著的提升，对于极值点的预估更加准确。

END