📰题目：Pre-Training Identification of Graph Winning Tickets in Adaptive Spatial-Temporal Graph Neural Networks
🖋作者：Xingyu Zhang（张星宇）, Siyu Zhao（赵思雨）, Zeen Song（宋泽恩）, Huijie Guo, Jianqi Zhang, Changwen Zheng, Wenwen Qiang（强文文）
🎓机构：中科院软件所，北京航空航天大学
🔎arxiv：https://arxiv.org/abs/2407.12415
📸github: https://github.com/Zh-XY22/FreDF
🔥关键词：长时预测，傅里叶变换，时频转换，动态融合。
🔖TL; DR: 本文提出了一种新的频率动态融合方法（FreDF），通过在傅里叶域中独立预测并动态融合不同频率分量，以提高长期时间序列预测的性能和泛化能力。
📃摘要
长期时间序列预测是各种应用中的长期挑战。时间序列预测的一个核心问题是方法应该能够表达地捕捉长期依赖性。此外，时间序列预测方法在应用于不同场景时应该具有灵活性。尽管傅里叶分析提供了一种替代方法来有效地捕捉可重用和周期性模式以实现不同场景中的长期预测，但现有方法通常假设高频分量代表噪声，应该在时间序列预测中丢弃。然而，本文进行了一系列动机实验，发现某些频率的作用因场景而异。在某些情况下，从原始时间序列中去除高频成分可以提高预测性能，而在其他情况下，去除高频成分会损害预测性能。因此，有必要根据具体情况对频率进行不同的处理。为了实现这一点，首先将时间序列预测问题重新表述为学习傅里叶域中每个频率的传递函数。此外，设计了频率动态融合 (FreDF)，它单独预测每个傅里叶分量，并动态融合不同频率的输出。本文还对时间序列预测的泛化能力提出了新的见解，并提出了时间序列预测的泛化界限。然后证明FreDF有一个下界，表明FreDF具有更好的泛化能力。在多个基准数据集上进行的大量实验和消融研究证明了FreDF的有效性。
![(https://i-blog.csdnimg.cn/direct/e7b7b35d4cce4b3a95ee7bdf9671f20d.png#pic_center)

🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘！🚀
欢迎大家关注时空探索之旅时空探索之旅