BEAT: Ausgewogenes frequenzadaptives Einstellen für Langzeitszeitreihenprognosen

Die Prognose von Zeitreihen ist für zahlreiche praktische Anwendungen wie Wettervorhersage und Modellierung von Finanzmärkten entscheidend. Obwohl Methoden im zeitlichen Bereich weiterhin weit verbreitet sind, können Frequenzbereichsverfahren effektiv mehrskalige periodische Muster erfassen, Sequenzabhängigkeiten reduzieren und Signale natürlicherweise entstören. Bestehende Ansätze trainieren jedoch in der Regel alle Frequenzkomponenten unter einem einheitlichen Trainingsziel, was oft zu unterschiedlichen Lerngeschwindigkeiten führt: Hochfrequenzkomponenten konvergieren schneller und laufen Gefahr, überangepasst zu werden, während Niedrigfrequenzkomponenten aufgrund mangelnder Trainingszeit unterangepasst bleiben. Um dieser Herausforderung gerecht zu werden, schlagen wir BEAT (Balanced frEquency Adaptive Tuning) vor, einen neuen Rahmen, der den Trainingsstatus jeder Frequenz dynamisch überwacht und deren Gradientenaktualisierungen anpasst. Durch die Erkennung von Konvergenz, Überanpassung oder Unteranpassung für jede Frequenz verteilt BEAT die Lernprioritäten dynamisch neu, indem es die Gradienten für schnellere Lerner moderate und diese für langsamere erhöht. Dies lindert die Spannung zwischen konkurrierenden Zielen in verschiedenen Frequenzen und synchronisiert den gesamten Lernprozess. Ausführliche Experimente mit sieben realen Datensätzen zeigen, dass BEAT konsistent bessere Ergebnisse als state-of-the-art-Verfahren erzielt.