量子位
·
无需Transformer，简单滤波器即可提高时间序列预测精度 | NeurIPS 2024
💡
原文中文，约2700字，阅读约需7分钟。
📝
内容提要
研究团队提出了FilterNet，一种高效的时间序列预测模型，通过频率滤波器提高预测精度。实验结果显示，FilterNet在多个数据集上表现优异，尤其在小数据集和复杂关系中具有竞争力，展示了信号处理与深度学习结合的新思路。
🎯
关键要点
- 研究团队提出了FilterNet，一种高效的时间序列预测模型。
- FilterNet通过频率滤波器提高预测精度，尤其在小数据集和复杂关系中表现优异。
- 现有的基于Transformer的模型在时间序列预测中存在频段信息利用瓶颈。
- FilterNet的核心模块是频率滤波模块，包含Plain Shaping Filter和Contextual Shaping Filter。
- 实验结果显示，FilterNet在八个时间序列预测基准数据集上表现卓越。
- FilterNet在小数据集上表现更好，而在大数据集上也具有竞争力。
- FilterNet的效率分析表明其比Transformer方法更高效。
- 这项研究首次将频率滤波器直接应用于时间序列预测，提供了新的研究思路。
➡️
