Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

ATT-0097 A路独立评审

论文：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

版本：2406.03751v2；评审日期：2026-11-08。

总体判断与历史线索复核

AMD的实用想法是以平均下采样提取多尺度信息、由粗到细残差混合，再用时间/通道交互和自适应多个预测器组合输出。它比单一线性头更灵活，能在若干基准上得到较好精度，且提供较丰富的消融与重复实验。阅读价值主要在模块组织和成本折中，理论部分目前不能作为采用方法的依据。旧摘要曾指出附录证明和部分结果问题，本次先读取该待核线索，再独立检查原文公式、表格和图像，确认关键证明错误，但没有用旧总分59.2作为新分数锚点。旧评全文、旧评分文件并未实际提供。当前全文为2025年4月15日arXiv v2，不能假定与首次2024年6月稿或会议版完全相同。

方法贡献与机制

MDM由平均池化生成多尺度序列，以可学习映射逐层回传到细尺度；DDI对patch执行时间递推和通道映射，用系数控制通道信息强度；AMS使用带噪声的选择器，为多个预测器生成随预测时点变化的权重。本文所谓TopK不是只激活少数专家，而是对前若干项和其余项作不同变换，再softmax得到全部非零的稠密权重，这点应与稀疏MoE区别。TimeMixer、多尺度分解、MLP混合及线性专家组合都是相关近邻，真正增量是组合方式与动态加权策略，原创性不宜按“首次多尺度”评估。

各专家共享经混合后的输入，并非被硬性约束只预测某一独立尺度，所以从门控图看出TP5或TP16权重较高，并不足以证明对应真实可识别的时间尺度。对通道关联的缩放是合理工程选择，但两张输入热图也不足以证明跨通道学习一般会破坏分布。自注意力在不带位置时对置换等变，并非所有带位置模型都丢失顺序；随机打乱AMD中的表征导致变差，也不能直接推出它比所有注意力机制更懂时间顺序。应把这些说法当作解释性假设，而不是完成了机制验证。

理论主张暂停采信

原图附录第10页中，式(13)的分母a−b在式(14)变成d(a−b)，外面的1/d却保持不变，确实少了倍数d。用f(j)=j、d=2即可直接检查：下采样均值f1(a)=2a−1/2，相邻粗尺度索引斜率为2，而原f的Lipschitz常数是1；原推导“仍不超过K”不成立。可以用重新缩放坐标或改为dK修补这一局部结论，但必须明确修改，不能维持当前等式。

第二处不只是少一个常数。式(21)到式(22)把两列不同权重的差异丢掉，仅用函数值差乘最大权重作界。取常数输入gn=1、K=0，同时两列权重不同，则前式可以非零，后式却为零，构成直接反例。固定矩阵不等于其各列相同，也不能自动保留关于时间索引的原Lipschitz常数。之后式(25)把L+t写成P+1+t也缺条件，线性映射构造混用未来点、维度和索引，没有解决从有限历史定义到未来延拓的问题。即使“存在某个有界误差线性预测器”在额外有限域假设下很弱甚至容易成立，本文展示的具体证明和界仍不成立。我将其列为仅针对理论支撑的致命问题，暂停该主张，不据此否定训练模型的所有数值实验。

实验和比较

主表纳入TimeMixer、PatchTST、iTransformer、DLinear等较直接基线，作者说重新运行并在多个输入长度中取最好，较只选一个不适合基线的窗口有进步。四个预测跨度和多种长短期数据，提供了相当完整的误差覆盖。但是“最佳”输入长度是否只按验证集选择、各模型超参数预算是否相当、实际每行采用何配置，全文未闭合。不能直接说存在测试集调参，应该将选择规则作为待补的公平性条件。短期PEMS比较中缺少完整的任务专用空间交通模型族，也不包含主长期对照TimeMixer，故优势的适用范围是所列模型，而非交通预测全领域。

结果并非持续SOTA。ETTh2的720步AMD MSE为0.402，TimeMixer为0.342，约差17.5%；Exchange-720上AMD0.750也差于DLinear0.643；Traffic的多个短跨度亦不领先。相反ETTm1较短跨度、ETTm2部分跨度和Solar长跨度的结果较好，短期PEMS的MSE也有明显竞争力。MAE并不总同向，例如PEMS03和04的AMD MAE均0.198，分别高于TimesNet0.192和0.195。应用时应按损失和尺度选择，不能把一列最佳数量等同全任务最佳。

消融、稳定性与说明一致性

Weather和ECL上有去MDM、去DDI、去AMS、均匀权重、随机顺序、稀疏专家以及损失项消融，能支持多个组件在这两个条件下有用。表7给出六组数据、四个跨度的五种子均值和小标准差，说明自身训练随机性较小，是实证优势；仍缺对应基线和所有消融的配对方差，也不覆盖ETTh2这种明显弱项。数据选择和模型容量是机制解释的竞争因素，删除整个AMS与单一线性头的比较不等于完全等参数对照。

另一个需要澄清的关键规格在表6：许多数据集标α=0，而若它确指式(10)的α，前k项变为−1、其他项变为0，后续softmax反而降低前k项权重，与“突出主导模式”的解释相反。也可能表头误把通道缩放β写成α，全文不足以判定，不能擅自替作者选择实现。这会影响可重复性和门控机制解释。正文说全实验8个预测器，但解释图展示TP16，可能来自另一个敏感性配置，需标注而非断言造假。

成本、复用与最终建议

图5在Weather、输入512预测96、同批大小下给训练时间和GPU内存，AMD八专家约17ms/iter、1349MB，相比PatchTST195ms和7048MB较有吸引力。但DLinear约7ms、999MB更轻，因而“优于所有MLP效率”不准确；不能把单条件训练时间推到所有通道数、所有预测长度或部署推理。文中说插件保持相同计算资源，却未附逐插件成本表，且表4有个别恶化，如DLinear在ECL-192的MSE从0.152到0.159，不能写全行改善。

数据划分、训练轮数、学习率和部分模型维度给得较细，代码入口明确。仍有α/β、下采样符号、初始化及门控配置的不一致，本次未访问实际代码快照或运行实验。最值得带走的是按输入模式动态组合预测器的工程方向，以及通道交互强度应有条件地控制；理论可用性、尺度可解释性及均预算比较都需要补证。四个F维度缺个人背景，维持未知。

24维评分

核心主张

- CL01：多尺度混合和动态专家提高部分时序任务精度。条件：所列数据和选择配置。支持：支持但不是持续全任务SOTA。定位：表1–4。
- CL02：定理1所示推导证明多尺度线性预测的误差界。条件：原文Lipschitz与任意固定混合矩阵条件。支持：暂停；关键等式与不等式有反例。定位：附录式13–16、21–32。
- CL03：专家门控辨认真实主导尺度。条件：需独立尺度真值与唯一性证据。支持：仅可视化和性能关联，未证可识别。定位：图3、式7–10。

风险和问题

- R01（致命问题；原图及解析反例已确认，仅限理论支撑）：式13→14遗漏d，式21→22丢失权重列差；当前定理证明链不成立。定位：p10式13–24。问题：是否能在明确坐标、矩阵范数/列变化及未来延拓条件下给出新证明？
- R02（重要问题；规格歧义已确认，实际代码未知）：表6许多α=0与式10高权重选择解释相反，可能α/β误记。定位：p4式10、p12表6。问题：表6参数实际对应哪个公式，完整门控设置是什么？
- R03（重要问题；评估选择过程未完整说明）：最佳输入长度的验证选择程序及各模型调参预算未闭合。定位：表1说明、实验设置、附录实现。问题：能否逐行给验证准则与最终配置？
- R04（重要问题；表格直接支持边界）：ETTh2长跨度和部分MAE明显落后，插件并非全行改善。定位：表1、2、4。问题：哪些数据特征可预判这种取舍？

阅读与版本记录

{
"legacy": "先读旧摘要，逐条独立复核式13–14、21–22与ETTh2/720；未读旧全文或其他新评",
"full_text": "PDF1–14全部正文、参考文献、证明、伪代码、设置、额外实验和局限阅读",
"visual_checks": "p10证明逐式核对，p7效率图，p12参数表，p13敏感性图",
"code_executed": false,
"data_versions": "2406.03751v2；无外部代码/数据快照核验"
}

正文中文字符数：1796。旧评全文未提供；只读可得摘要。未读其他新评。未运行论文代码、训练或推理。

ATT-0097 B路独立评审

Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

版本：2406.03751v2；阅读完成：2026-11-08T02:47:39.067212+00:00；物理页：[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]。

先读历史风险摘要，再独立阅读2406.03751v2全部十四页及附录。旧记录提示两个证明步骤、ETTh2长预测和基线选择问题，本次把这些作为待核线索，未继承旧总分，也未得到完整旧评。论文把平均下采样的多尺度残差混合、带通道缩放的顺序块交互以及稠密多预测器门控结合，动机是不同尺度对未来的贡献会变化。相较固定平均，逐预测位置产生权重是有用的工程思想；但已有TimeMixer、混合专家和分块建模背景意味着原创性主要在组合与适配，不能仅凭命名认定全新范式。

历史理论风险在原PDF中成立。第10页式13到14把分母从a-b换成d(a-b)，却保留外面的1/d，漏掉一个d。取f(j)=j、d=2，池化后f1(a)=2a-0.5，相邻粗索引斜率为2，不能由原K=1得到文中仍为1的界。这不否定存在某个更大Lipschitz常数，却否定当前证明宣称的常数保持。式21到22则把不同列权重之差吸收到函数差中；令粗序列恒为1，而两个权重列不同，左侧可非零，右侧函数差为零。固定矩阵并不等于所有时间列相同，所以归纳缺少关键项。

证明后半还有独立范围问题：第10页直接令g(L+t)=g(P+1+t)，未给L=P+1或等价条件；预测构造使用g(P+1)，当非周期情况下P趋向无穷，它不再是有限历史内可用的索引。即使修改为正确的有界误差命题，有限预测区间上有界并不自动说明多尺度比单尺度误差更小。理论不含学习、泛化误差或与基线的界比较，不能为模型优势提供已完成的保证。本次暂停理论保证这一主张，保留实验结果作为独立经验材料，不把证明失败推广成所有预测结果无效。

方法说明也存在影响复现的歧义。第4页式10的门控变换使用α，第12页表6多数数据给α=0。若按印刷符号直接代入，非TopK项为0、TopK项为-1，后续Softmax反而降低所谓主导项权重；表6也可能误把通道缩放β标成α，当前未读实现，不能判定实际训练做反了。第6页可视化解释TP16与TP5，而第7、12页称所有实验八个预测器，这一例图是否另用配置没有说明。摘要所说自相关在主体公式中也没有独立、明确的自相关计算，前馈门控与自相关机制不能不加区别地等同。

实验优点是真实长短期任务较广，声明所有基线重跑并搜索六种输入长度，而且报告五次重复，第14页列出六类数据集的均值和标准差。这里不能写成“完全没有重复实验”。但基线配对波动、各超参预算、最优长度依据验证集还是测试集选择没有完整交代，选择偏差风险应标未知而非直接判泄漏。主要表格显示很强但非一致领先：ETTh2的720步MSE为0.402，TimeMixer为0.342；Exchange的720步DLinear为0.643，本作为0.750；Traffic的96步两项误差也不及TimeMixer。短期表中四组MSE第一，但若干MAE不第一；且缺TimeMixer等强基线在短期中的对应比较。摘要与结论的持续最优措辞超过了这些边界。

消融覆盖去除多尺度、去除交互、平均门控、随机顺序、稀疏专家及均衡损失，是较完整的部件必要性检查。不过仅在Weather与ECL两个集合，删除多预测器同时改变容量，随机打乱属于严重输入干扰，不能完全排除容量、正则化与训练难度解释。表8中d=1没有真正降采样，却随层数也能改善，提示更深映射本身贡献不可忽略；这削弱“全部收益来自多尺度”的独占归因。权重图只是选择性可视化，尚无尺度真值证明专家已分离成真实物理因素。与注意力对比时把自注意力一概说成丢失顺序，也忽略带位置信息的实际模型。

效率只在Weather、输入512和预测96的一种配置展示。图5的八专家模型约1349MB、17毫秒，优于图中较重Transformer，但DLinear约999MB、7毫秒，因而不能宣称对全部MLP同时占优。给DLinear或MTS-Mixers加模块的表4有局部退化，且没有相应资源表，“所有模型均增强且保持同样资源”的说法证据不足。官方仓库readme可读，给Python3.10、数据入口和脚本位置；没有执行代码或确认完整运行链，入口可用不等于复现完成。

总体而言，适合作为多尺度门控预测的经验候选，理论保证与普遍最优需要单独撤回或收窄。尚缺的是门控符号准确映射、同容量收益归因和选择程序记录，而不是要求用户补做一组实验。一个有信息价值的研究问题是专家权重变化究竟代表尺度切换还是普通集成正则化；若无需真实尺度区分也有相同增益，解释性主张就会变弱。优先亲读第4页式7—10与第12页表6的对应，再读第10页证明，最后以第5页失败设置校正总体印象。

24维评分

材料边界

旧完整评语缺失，只先读现有历史记录；未查看本批其他新评。论文结果均为作者报告，本次没有运行代码、训练或推理。资源入口核查与执行复现分开，未核验项不写成已验证。未将arXiv版本与会议终稿混为逐字相同。引用量与会议身份不转为质量分。

ATT-0097 C路独立评审

版本与阅读记录

论文：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

阅读版本：arXiv 2406.03751v2；首次公开：2024/06/06；本版日期：2025/04/15。发表记录：AAAI 2025, DOI 10.1609/aaai.v39i16.33908 verified。不将不同版本视为逐字一致。

阅读记录开始：2026-11-08T02:41:51Z；完成与冻结：2026-11-08T02:43:44.092367+00:00。PDF共14页；SHA256：［校验标识已隐藏］。页码均为PDF物理页。先阅读旧条目，旧完整评语未提供；不读取其他新评。未运行实验。

阅读判断与独立详评

AMD 是方法论文，辅以理论论证和效率实验。建议定向查阅其多尺度混合及自适应预测器设计，但附录定理的现有证明暂停作为可靠结论使用。旧条目给出了证明风险与若干实验反例，本轮先将其作为待核线索，再独立核对十四页全文；旧完整评语仍未提供，历史总分不沿用，也不计入新评。本文只评价二〇二五年四月第二版，保留它与会议版本可能不同的边界。

方法从平均池化获得多种时间尺度，由粗到细做残差混合，再通过按片段的时间交互和可缩放的通道交互，生成多个预测器的输入。门控网络根据输入分配随预测位置变化的权重，密集组合各预测器。相对 TimeMixer 的多尺度建模和已有线性专家混合，主要增量是把尺度混合、双依赖处理和动态聚合组合成完整系统。这些部件有明确动机，但不能把每个专家自动解释为一个真实物理尺度；训练目标没有给出专家与可辨识尺度的一一对应约束。原文所谓自相关建模也应由具体操作理解，不能仅由命名推导出统计自相关被准确恢复。

实证方面，长期预测覆盖 ETT、天气、电力、交通、汇率和太阳能等常用数据，短期部分还有四个 PEMS 集。作者说明重跑基线并搜索六种输入长度，这比固定一个不适合所有基线的长度更合理。长预测结果确有若干竞争优势，例如 ETTh1 中长预测和部分 ETTm、Solar 条目。但一致最先进的表述不成立：ETTh2 的七百二十步 MSE 为零点四零二，TimeMixer 为零点三四二；Weather 最长预测也落后，Exchange 最长预测不如 DLinear。PEMS 的 MSE 改善较明显，但部分 MAE 仍由其他方法领先，短期表还缺最接近的 TimeMixer 及专用交通图模型，因而结论应限定于所比较方法和指标。

消融比单纯去模块更丰富，包括随机顺序、平均权重、稀疏专家、通道强度以及负载均衡项。随机顺序和平均聚合使结果下降，支持时间结构和自适应权重确实有作用；模块移植到 DLinear、MTS-Mixers 的结果也提供了可复用证据。但实验主要集中 Weather 和 ECL，不能直接证明所有数据都具有同样机制。平均权重对照比删除全部专家更接近控制参数量，值得肯定；另一方面，重排会同时改变输入分布，不能仅据此推导自注意力必然丢失序列信息。通常带位置编码的 Transformer 也不能笼统称为顺序不可知。通道分支越强越差说明特定配置会引入干扰，不足以证明学到的关系就是错误相关。

理论部分的风险已独立确认。式十三到十四把分母从 a-b 改成 d(a-b)，却保留外面的四分之一式平均因子的一般形式一除以 d，没有补回相应倍数。一个直接反例是原序列 f(t)=t，Lipschitz 常数为一，下采样率 d=2 后 f1(a)=2a-0.5，相对于新索引的常数为二而非一。这否定了证明中的同常数保持步骤，并非仅是排版美观问题。式二十一到二十二进一步将不同位置的列权重混在同一个最大值里，遗漏权重差乘函数值的项。取常数非零序列，原常数可以为零，而不同列权重仍会生成不恒定输出，足以说明该上界推导没有成立。

后半证明也没有补救这些问题：式二十五直接令 g(L+t)=g(P+1+t)，未给出相应长度或周期条件；任意可学习线性变换之后的周期性与平滑常数没有控制，有限历史表示的未来扩展也未清楚定义。定理文字仅说存在有限预测误差界，本身很弱，不能推出较小误差、训练可找到该模型或多尺度优于单尺度。这里暂停的是当前证明及其用于支持机制的结论，不是声称所有有界预测命题都不可能成立，更不把理论失效等同于已观测实验结果不存在。

另一个新发现的公式和配置矛盾在门控。式十对低于阈值的项用 αlog(1+u)，对高于阈值的项用 αexp(u)-1；表六多数数据的 α 为零。按文稿代入，低项得到零、高项得到负一，后续 softmax 反而给予高项更小权重，与强调主导模式的解释相反。该式已视觉复核，但尚未查看代码，因此可能是公式括号或参数标签错误，不能断言实际实现必然如此。当前材料需要把算法陈述与配置一致性视为未解决问题。

复现方面，附录提供了数据划分数量、各数据学习率、批量、轮数、隐藏维度、专家数量和仓库入口。五个随机种子的均值与波动覆盖六个数据集，这是实质优点，不能误写为完全没有重复实验。局限在于主要对手和关键消融没有对应成对区间，输入长度与其他超参数以何种验证程序选最佳仍未充分交代。部分差距可以稳定判断，千分级差距则不宜过度排序。图五实测 Weather、固定批量、输入五百一十二和预测九十六时的训练耗时及显存：八专家 AMD 约十七毫秒、一千三百四十九 MB，明显快于较大的 Transformer，但不如七毫秒的 DLinear 便宜，且没有 TimeMixer 的同图对比。不能据此声称比所有 MLP 都高效或插件增加后资源绝对不变。

可带走的是将粗细尺度残差混合与按位置的专家权重分开建模，二者可独立借鉴。更深的研究问题是专家权重是否反映真实尺度变化，还是只是一种通用条件集成；若没有可辨识尺度仍能同样有效，解释应转向后者。优先阅读第三至四页的模块定义，以及第十页证明与第十四页重复结果。个人适配四维因缺少用户具体目标与资源保留未知。

24维评分

冻结说明

保留24维原始分数，不编造个人F组分数，不输出无依据总排名。前作全文补查有限，原创性暂定。完整旧评缺失，历史摘录只作待核线索，不算独立评审票。冻结后若材料变化，另立修订而不覆盖本记录。

ATT-0097 独立评审 D

论文：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

版本：arXiv 2406.03751v2；版本日期 2025/04/15。首次公开 2024/06/06。评审 2026-11-08。

冻结时间（UTC）：2026-11-08T02:46:45.676494+00:00

阅读记录：2026-11-08 UTC，先读旧风险摘要，再读14页全文（正文1–7、参考8–9、证明9–10、附录算法/配置/结果11–14），视觉复核式10、证明12–32、参数表6、资源图5、敏感性图6–7。旧两项证明疑点重新构造反例，不读其他新评。

旧评边界：只收到历史摘要/行记录，旧完整评语缺失，不作为新评票；未读其他新评。

核心主张

- 多尺度混合、双依赖建模和密集专家加权提供自适应预测。

- 经验消融较完整，理论误差界证明与门控记号存在需要修正的问题。

详细评审

AMD 把多尺度平均池化与自顶向下混合、时间和通道依赖、输入相关的多预测器加权组合到一个 MLP 框架中。其问题动机合理：不同时间分辨率的模式对未来影响不同，固定相加未必最合适。相比仅做趋势季节分解，多个尺度与动态门控提供了更灵活的表示。但 TimeMixer、多尺度混合、线性专家和 MoE 门控都是紧密先例，主要新意应定位于具体模块组织与选择器，而不是首次发现多尺度或动态专家。论文引用了 Mixture-of-Linear-Experts，却未将它纳入核心直接比较，限制了对选择器独立贡献和原创性的判断。

长期预测表覆盖常用九个具名数据集及四种长度，短期预测覆盖四个 PEMS 集。TimeMixer 作为直接近邻确实出现，且作者明确说所有基线重跑并搜索六种输入长度，不能沿用“只挑弱基线”的概括。五次重复也在正文说明，附录表七给六个长期数据集的五种子均值和小标准差，这是稳定性证据的实际优点。尚不清楚的是最优输入长度根据哪个划分选择、各模型其他超参的搜索预算是否一致，以及基线重复的方差。本文只能说选择程序和公平预算未充分公开，不能据此断言用了测试集调参。

结果体现竞争力而非稳定统治。ETTh1 的中长预测、ETTm1 的短预测、Solar 的部分设置较好，短期 PEMS 的均方误差也明显有利。但 ETTh2 七百二十步 AMD 为零点四零二，TimeMixer 为零点三四二；Exchange 最长预测 DLinear 为零点六四三，AMD 为零点七五零；Traffic 多项也落后。PEMS07 的 MSE 虽优，MAE 却不及表列 PatchTST。作者反复写“始终最先进”，没有充分覆盖这些重要逆例。短期表还没有列出长期最直接对手 TimeMixer 或有图结构的专门交通预测模型，因此应区分一般骨干上的短期表现和交通领域最强比较。

消融是本文比较扎实的部分。Weather 和 ECL 上分别去除 MDM、DDI、AMS，改变通道混合强度，比较稀疏专家、随机顺序和平均权重，并删除负载平衡损失。平均权重和随机顺序比完整门控差，确实支持输入相关组合与顺序信息的价值，比单纯删除模块更接近机制对照。五个尺度层数及降采样倍率的附表、预测器数和权重正则敏感性也充分。但多数组件删除会改变容量；随机打乱还破坏输入分布，不能独自证明“收益并非参数增多”。需要一个参数量匹配的常规 MLP、多头线性预测器以及同样门控的 TimeMixer 对照。选择器权重图说明模型如何分配权重，不证明每个专家已识别可解释的真实时间尺度。

旧历史摘要提出两个证明疑点，本次重新逐行和视觉核对后确认。第一，附录第十页式十三到十四把分母从索引差变为降采样率乘索引差，却保留原来的前置平均因子，漏掉倍率。用原序列 f(j)=j 和降采样率二即可看出：池化后的粗索引斜率是二，不是仍小于等于一。正确结论至多是 Lipschitz 常数随粗索引尺度变化，不能直接沿用原常数。第二，式二十一到二十二把不同列权重下的加权值差，用原信号差乘最大权重上界代替，忽略了权重列本身的变化。取常数信号、零 Lipschitz 常数，但两个输出列权重不同，左侧可以非零而右侧为零，便构成反例。

理论还有更深的目标错位。证明中的预测构造使用周期加一的位置，并把输入终点和周期联系起来，却没有保证该位置总在已知历史内；非周期令周期趋于无穷的处理更不能直接实现成有限历史线性预测器。多尺度混合中任意权重虽是训练后常数矩阵，也不保证对时间索引保留所写的平滑界。即使修复为一个有限但宽松的误差界，对有限时域的平滑序列，简单末值保持已经可获得随预测距离增长的界，仍不能证明分解提高精度或选择器学到了主导模式。因此本版定理证明不能当作经验优势的理论保障，应该与可运行的工程模块分开评分。

进一步检查实现描述发现一个需澄清的门控边界。式十上分支写成系数乘指数再减一，下分支是系数乘对数；表六多个数据集系数为零。按公式直读，此时原本较大的候选分量会映射到负一，较小分量映射到零，随后 softmax 反而降低前者权重，与“强化主导模式”方向相反。可能是系数命名或括号排版没有对应实际实现，但当前文档无法自行消解。本文没有执行仓库，不能认定实现也犯同一错误；应要求代码级对应说明，而非凭意图代替公式。

可复现材料包括官方仓库、分割大小、逐数据集补丁长度、批量、训练轮次、学习率、隐藏宽度和层数，基础准备较充分。资源测量在同一 Weather 设置、相同批量下比较训练每迭代时间与显存，图上八预测器 AMD 约十七毫秒、一千三百四十九兆字节，低于较重 Transformer，却不比 DLinear 的七毫秒和九百九十九兆字节更轻。因此合理结论是精度资源折中，不是对所有 MLP 同时更快更省。没有推理延迟、完整调参总成本以及跨数据维度扩展曲线，插件实验所谓相同资源也缺对应实测表。MDM 与 AMS 接到 DLinear、MTS-Mixers 后平均提升有价值，但个别任务退化必须保留。

综合而言，多尺度混合加动态预测器是一条有实证基础的路线，消融与种子报告优于不少同类论文；主要扣分来自无法成立的理论链条、门控文档歧义和过度概括的优势主张。后续最有价值的是把门控定义、理论条件和等容量近邻比较核清，而不是继续堆更多标准数据集。旧完整评语没有取得，历史分数不计入本次结论；本次阅读覆盖当前版本全文与附录，没有训练或推理执行。

24维评分

量表0—100，5分步长；暂定范围不是统计置信区间。F组个人背景不足，保留未知。未设置总分。

缺失与限制

- 仅有旧摘要与评分行，完整旧评缺失；旧结论经独立全文复核。
- 未运行代码；式十与表六冲突只能确认文档层面。
- 当前arXiv v2未与AAAI最终版逐字比对。
- 代码 https://github.com/TROUBADOUR000/AMD ，未核验执行。
- 最佳输入长度选择划分、预算及基线方差未完全公开。
- F组背景不足全部未知。

详评正文汉字数：1749。未执行代码、训练、推理或复现。

ATT-0097 独立评审 E

论文：Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting

评判版本：arXiv 2406.03751v2；版本日期 2025/04/15；首次公开 2024/06/06。阅读完成时间（UTC）：2026-11-08T02:46:29.193324+00:00。全文 14 页，页码均指此PDF物理页。

旧记录已先读；完整旧评语及sidecar缺失，不计作新评，不继承分数。未读取其他新评。本文未运行实验或论文代码，未验证仓库可执行性。

核心判断与全文评议

AMD把多尺度平均池化、由粗到细的残差混合、时序与变量交互，以及输入条件化的多个预测器组合在一起，试图让不同时间模式对未来各位置发挥不同作用。最有价值的idea不是“时间序列存在多尺度”本身，而是把固定的尺度汇总换成可学习的预测权重，并允许通道交互强度受控。它与TimeMixer、既有MoE和MLP混合器都有直接联系，因此更像有明确用途的结构整合，而不是从根本上重写预测理论。

历史条目含一个旧分数与三条风险摘要，但没有旧完整评语和评分sidecar。我把这些作为待核线索，重新读取14页v2正文、理论附录、全部表格和附图；关键式10与证明页另核原PDF。以下分数独立重判，不继承旧排名、引用数或旧总分。版本为2025年4月15日arXiv文件，不推定等于AAAI链接中的终稿。本次没有运行实验或代码。

结构层面，MDM用层级平均池化取得粗尺度，再借MLP逐级回传到细尺度；DDI通过顺序patch更新和受β缩放的变量混合，把时序信息与通道信息结合；AMS的多个前馈预测器按学习到的权重求和。作者承认变量关联并非总有益，这是比默认所有变量互相帮助更合理的设计立场。稠密专家保留较弱模式，也避免硬丢弃信息。然而“专家恰好对应真实时间模式”没有可识别性约束，所展示的两个预测器曲线只能帮助直观理解，不能当作已经恢复真实机制的证据。

理论部分的问题经独立核算确认。第10页式13到14把分母a−b换成d(a−b)却保留外部1/d，少了因子d。取最简单f(j)=j、d=2，原序列Lipschitz常数为1，下采样后f1(a)=2a−0.5，相邻索引差为2，直接反驳文中“不变常数K”的推导。后续式21到22也把不同列的权重影响忽略：即使输入是常数、K=0，不同输出位置的线性权重列和不同仍可形成变化序列，不能只用输入差值乘权重最大值来界定。有限离散数组当然总能找到某个有限常数，但这与文中从K导出的有意义上界不是一回事。

预测上界最后还把g(L+t)直接对应到g(P+1+t)，以及在构造矩阵时使用P+1等索引，缺少长度、周期和可见历史的必要条件；非周期P趋于无穷时这些索引也无法保持有限历史内可用。因而定理现有证明不能为AMD精度提供可靠保证，应暂停引用其理论保证。这里的判断严格限定于证明，不推出所有经验预测结果为假，也不否认多尺度线性表示可能有效。

另有一个独立于旧摘要的重要实现歧义。式10的TopK低分支是αlog(u+1)，高分支是αexp(u)−1；表6大量数据集使用α=0，此时低分支为0、高分支为−1，外层softmax会降低而非提高选中“主导模式”的权重。这与正文解释相反。如果实际代码的括号或分支不同，需明确修订公式；如果公式就是实现，则机制叙述需改变。该问题影响对AMS工作方式的解释，但不能在未读代码时断定运行崩溃。

实验规模和重复报告是优点。长时覆盖九个具体数据集、四个预测长度，短时覆盖四个PEMS，输入长度在六个候选中搜索；论文声明所有实验重复五次，附录六个数据集提供较小标准差。预测结果表明AMD是强竞争者，却不是始终最优。ETTh2预测720的MSE为0.402，TimeMixer为0.342；Exchange720中DLinear为0.643，AMD为0.750；Weather720也略逊TimeMixer。短时MSE全部较强，但PEMS07的PatchTST MAE优于AMD。应按数据、长度和误差目标使用结果，而不是沿用摘要“始终最先进”的概括。

基线有TimeMixer等近邻，而且重新搜索输入长度避免只挑对作者有利的固定窗口，这比机械照搬数字好。不过不同基线的其他超参数预算、最佳输入选择使用哪个验证依据、失败或超时配置如何处理，并未完整记录；最佳测试结果选择风险仍待澄清，不能无证据认定存在。短时表未包括TimeMixer等强近邻及专门交通图模型，因此不宜把四个PEMS结果推广成交通预测领域整体领先。

消融覆盖去MDM、去DDI、去AMS、随机顺序、平均权重、稀疏专家、通道缩放和负载平衡，支持组合确有作用。限制是主体消融只做Weather和ECL；移除模块同时改变参数量与计算量，随机打乱又改变顺序结构，不能完全证明收益不是容量或正则化的结果。表3还出现ECL192无selector损失时MSE0.156、MAE0.456，这违反同一误差集合MAE不大于RMSE的基本关系，因为平方根0.156约0.395。因此该单元格至少有誊写或指标口径问题，需要修正后才能精确量化该消融。

复现方面，提供数据切分数量、每数据集配置、优化器、仓库链接和模型伪代码，透明度达到可继续核验的程度，但公式与实现须先对齐。效率图在单GPU、同批量、Weather输入512预测96下显示有竞争力的训练时间和显存；不能据此推出所有长度与通道规模都优于简单线性模型，更不能无成本地把多个专家接到其他模型。插件结果表也有个别下降，例如DLinear在ECL192加入模块反而更差。综合建议定向阅读多尺度预测器组合与受控变量混合，理论保证和主导模式加权解释暂不作为可靠依据；真正值得延伸的是何时通道交互和专家选择带来可稳定复现的增益。

完整24维评分

风险记录

- R01 关键，已确认：下采样漏因子d及不同权重列被忽略导致理论证明失效；有限数组有界不等同所述有效上界。（PDF 10式13—24）。
- R02 重要，已确认文本冲突：α=0时式10选中分支为−1、未选中为0，外softmax逆向赋权，与主导模式加权解释冲突。（PDF 4式10、12表6）。
- R03 局部，已确认：表3 ECL192无selector损失MSE0.156、MAE0.456违反同误差口径MAE≤RMSE，须校正。（PDF 6表3）。

汇总与阅读建议

定向查阅多尺度专家组合；暂停使用定理1与未校正的TopK机制解释。已评分20/24维，F1—F4未知；无总分、无强制排序。重点位置：3—5页结构；6—7页消融与插件；9—10页证明；11—14页设置与种子结果。

结构化数据见同目录 review.json。