I modelli di previsione diretta tradizionali spesso utilizzano obiettivi puntuali come l'errore quadratico medio (MSE), che non riescono a catturare appieno le intricate dipendenze spazio-temporali presenti nei segnali strutturati a grafo. Un nuovo studio introduce FreST Loss, un obiettivo di training spazio-temporale potenziato nel dominio della frequenza, che estende la supervisione allo spettro spazio-temporale congiunto.

FreST Loss: un nuovo approccio

FreST Loss sfrutta la Trasformata di Fourier Congiunta (JFT) per allineare le previsioni del modello con i dati reali in un dominio spettrale unificato, decorrelando efficacemente le complesse dipendenze sia nello spazio che nel tempo. L'analisi teorica dimostra che questa formulazione riduce la distorsione di stima associata agli obiettivi di training nel dominio del tempo.

Risultati sperimentali

Test approfonditi su sei dataset reali dimostrano che FreST Loss è indipendente dal modello e migliora costantemente le baseline allo stato dell'arte, catturando meglio le dinamiche spazio-temporali olistiche. Questo approccio offre un miglioramento significativo rispetto ai metodi esistenti, affrontando le limitazioni nell'acquisizione delle dipendenze spazio-temporali complesse.