1. 研究背景与团队
本文由浙江大学、中南大学、上海交通大学、Tiktok、北京大学、南洋理工大学联合完成，第一作者为浙江大学王浩（发表多篇顶会论文），通讯作者为北京大学李昊轩和南洋理工大学陶大程教授。研究聚焦时间序列预测在气象、工业、医疗等领域的应用价值。

2. 核心问题与创新
现有方法忽略标签序列的自相关性，导致训练目标有偏。论文提出频域标签训练新范式FreDF，仅需一行代码即可在主流模型（如Transformer、MLP）上稳定提升预测精度。

3. 关键理论与方法
• 定理3.1证明：时域标签相关性>0时，传统损失函数有偏；频域中相关性被抑制，损失函数无偏。
• FreDF通过添加频域损失实现：融合时域与频域损失（α=0.8~0.9时效果最佳），显著提升序列高频成分捕捉能力。

4. 实验结果
• ETTm1数据集：iTransformer的MSE降低0.019，相当于过去1.5年该数据集性能提升总和。
• M4数据集：FreTS模型在3项指标上全面超越基线。
• 消融实验显示：仅频域损失即可显著改进性能，时频域融合进一步优化。

5. 普适性与意义
FreDF在iTransformer、DLinear等不同架构上均有效，具有模型无关性，为时序预测提供通用解决方案，可成为性能优化的”最后一棒”。