【报告内容】

汇报人：张子牧

汇报单位：河海大学

主题：《Affirm: Interactive Mamba with Adaptive Fourier Filters for Long-term Tim Series》

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

1）现实数据的噪声与非平稳性：真实世界的长时序数据（LTSF）通常包含复杂的噪声和剧烈的分布变化，导致模型难以区分有效信号与干扰。

2）全局与局部的平衡难题：现有模型往往顾此失彼，难以在捕捉长期趋势（全局依赖）的同时，精准保留局部的微观突变特征。

3）计算效率瓶颈：主流的 Transformer 类模型具有 O(L2) 的二次方计算复杂度，在处理长序列预测时显存占用高、推理速度慢，难以部署于资源受限设备。

2.相关创新方案

1）模型架构 Affirm：提出了一种基于自适应频域滤波和交互式多尺度 Mamba 的轻量级模型。

2）自适应傅里叶滤波块 (AFFB)

①引入可学习的频率阈值 (θlow,θhigh) 和自适应滤波器，在频域动态识别并滤除噪声，保留关键的周期性特征。

②解决了传统固定滤波器无法适应多变数据的问题。

2）交互式双 Mamba 块 (IDMB)：

①设计了多尺度双支路架构（卷积核 Size 2 和 Size 4），分别捕捉微观细节和宏观趋势。

②利用 Sigmoid 门控交互机制，让两条支路的信息动态互补（用宏观趋势过滤微观噪声），并结合 Mamba 的线性复杂度 O(L) 实现高效的长程依赖建模。

3）自监督预训练策略：采用时域掩码重建（Masked Reconstruction），随机遮盖 40%-60% 的时间片，强迫模型学习序列的内在结构，显著提升了在小样本数据下的泛化能力。

3.实验总结

1）预测精度 (SOTA)：在 Electricity, Traffic, ETTh1 等 7 个主流数据集上，Affirm 在 MSE 和 MAE 指标上均取得了最优或极具竞争力的结果。

2）计算效率：相比 TimesNet 等 Transformer 基线模型，Affirm 的计算量大幅降低（仅 1.72G MACs），且随着序列长度增加，显存占用呈线性增长，极具部署优势。

3）鲁棒性与稳定性

①抗噪实验：在不同强度的高斯噪声（NR 0.5-2.5）干扰下，模型性能下降极微，证明了 AFFB 的有效性。

②小样本学习：在仅使用 1% 训练数据的情况下，得益于预训练策略，模型依然保持了稳定的预测能力，未出现严重的过拟合。

4.未来工作

1）跨领域泛化：探索将 Affirm 的自适应滤波机制应用于医疗信号（EEG/ECG）或工业故障检测等对噪声敏感的其他时间序列领域。

2）与大模型结合：研究如何将 Affirm 作为轻量级特征提取器，与大型语言模型（LLM）结合，利用 LLM 的推理能力进一步提升对非平稳数据的解释性和预测能力。

3）在线学习机制：针对流式数据，进一步优化“可学习阈值”的实时更新策略，使其能适应数据分布随时间的动态漂移（Concept Drift）。

报告时间：2026年02月13日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)