xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

ATT-0100 A路独立评审

论文：xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

版本：2412.17323v3；评审日期：2026-11-08。

总体判断与旧评复核

xPatch将指数移动平均分解、CNN与无激活MLP双流、按预测距离加权的MAE以及双Sigmoid学习率组合起来。它的优势是可分拆复用、多个领域效果较强，并且当前版本补充了不丢弃尾批次的TFB比较。方法是已有组件的有针对性整合，而不是新的时间序列分解理论。先读的旧摘要提到基线来源和平稳性解释问题，本次全文核验后必须更新判断：附录K明确区分引自论文、官方仓库与重跑的结果，且明确报告三个随机种子平均，因此不能再说论文完全没有来源说明或没有重复实验。只是方差和逐格来源仍缺失。旧评全文没有提供，旧分数不参与本次评分；旧摘要转述的仓库README也未作为当前版本事实。

方法与真实增量

EMA使越近的点权重越高，避免简单移动平均两端补值造成的部分失真，双流让季节残差进入带激活的卷积网络、趋势进入较简单的MLP。将patch当作卷积通道，再以depthwise和pointwise操作混合，是一种清楚、成本可控的结构选择。它对通道独立任务较自然，但没有建模真实变量间的关系，也不能由“spatio-temporal”措辞推断已有空间交互。最终拼接后线性层是固定学习权重，不能直接解释为输入条件的动态门控。

季节项必然平稳且非线性、趋势项必然非平稳且线性，不是一般成立的对应关系。周期信号可以有随时间变化的均值，趋势也可以高度非线性。附录C把窗口ADF的p值求平均，平均数本身不是经过校准的整体检验；不能拒绝单位根零假设也不等于证明非平稳。尤其把EMA趋势更难拒绝单位根当作α=0.3“最优”的证据，不能替代独立预测验证。原文所谓线性分支含LayerNorm，严格说对输入并非线性映射；这不妨碍其作为少激活的低复杂度分支，却削弱“精确分离线性与非线性”的机制叙述。

正确性问题的范围

附录D将EMA递推展开为长度t+1的向量内积，随即宣称把O(n)时间改进为O(1)。展开等式可以成立，但内积仍需随输入长度增长的读入、乘加或归约工作，不能因为写成单个向量操作就视作常数时间。逐点在线EMA本来可O(1)更新，整段结果仍至少O(n)输出；若讨论GPU并行深度，则应给硬件与并行算法条件。当前“整段分解常数时间”的结论不能成立，我暂停这一特定复杂度主张，不因此否定实测速度或预测结果。

式(8)还有一个局部规格缺口：depthwise结果标为N×P，直接加上N×P²输入，维度不相容。图3和文字说明存在linear residual，因此很可能遗漏了投影而非实际程序不能运行；正确做法是补齐投影的形状和参数。损失公式也把通道索引与未来步索引复用，并把整段向量范数放进逐步权重求和，需用逐预测点误差重写。这些是可以修复的报告问题，不能擅自假定代码与排印完全相同。

基线、公平性与性能边界

主表分别给统一输入长度与搜索输入长度的结果，附录再提供TFB不使用drop-last的第三协议，说明作者确实注意到评测流程影响结论。统一设置下xPatch在ETT、Weather与ILI等表现好，但Traffic平均MSE0.499明显差于iTransformer0.428，Electricity的0.179也落后CARD0.168，Exchange的0.375差于MICN0.315。搜索协议中Traffic的0.392仍不及iTransformer0.378，Exchange的0.366远高于DLinear0.297。它更稳定的优势在MAE，而非所有数据与损失上的共同领先。

表15尤其值得单独读：不丢尾批次时，xPatch在Weather、Traffic、Electricity等仍有竞争力，但ETTh1、ETTm1的MSE由PDF更优，ETTh2由FITS更优，Exchange仍落后多个轻量方法；ILI误差较表14有明显变化。不同协议的变化不能只归因于某一个训练细节，因为基线来源和最终配置也变化了。较严谨的结论是该结构在广泛条件下有效，绝非完全消除了协议敏感性。附录K的来源说明改善了透明度，但统一名义配置不保证实际归一化、早停、测试尾批次和调参预算完全一致；还需逐行给数据版本、验证选择规则和运行配置。

消融与不确定性

EMA替换、四种双流分配、损失权重、学习率、输入长度、RevIN等消融相当丰富，超过单纯删除一个模块的证据。图6支持原双流搭配在三个数据集较好；表7显示EMA能迁移到其他模型，但并非所有行都改进。arctan作用于未来步的权重，不是对残差施加反正切，所以其稳健性主要来自MAE。表9与原MSE训练相比无法完全分开“改MAE”与“选arctan”的贡献，需补不加权MAE，以及相同损失下其他衰减函数。它对MAE的平均改进也伴随若干MSE恶化，不能写成所有精度都提高。

三个种子平均是正面证据，但全文没有逐条件标准差、置信区间或配对检验。学习率消融的约百分之一改善和很多千分级差距因此不够证明稳定优越。双Sigmoid曲线与基线的累计学习率、训练末端值不同，其收益可能来自有效优化预算，而不只是曲线形状。可视化只给选中样本，能说明双流输出形状，不能估计失败比例或解释性的一致性。

成本、复现与建议

表3训练/推理时间显示xPatch约3.099/1.303毫秒，相对PatchTST和CARD有实际吸引力，但DLinear约0.420/0.310毫秒更轻，双流又比任一单流贵。还缺参数量、峰值内存和跨输入长度的完整成本曲线，不能把一张均值表等同全部部署收益。代码入口、结构图、数据切分和多组超参数提供了复现起点，本次未核验具体提交或运行代码，不承诺开箱复现。

建议保留EMA+双流作为可实施基线，复现优先用表15协议，同时记录所有模型的输入搜索预算、完整测试样本数、三个以上种子的配对结果。理论平稳性、线性/非线性分工与常数复杂度应降为待修订论述。本文启发是低成本结构配合训练目标能达到很强表现，而不是已经证明一种普遍时间序列生成机制。个人相关性四维因缺用户背景维持未知。

24维评分

核心主张

- CL01：分解双流提供广泛预测精度与成本折中。条件：所列统一、搜索及TFB协议。支持：有较强条件性支持，非所有数据或MSE最优。定位：表1–3、13–15。
- CL02：向量化EMA把整段分解复杂度从O(n)降为O(1)。条件：标准随输入长度计费的计算模型。支持：暂停；内积与输出成本被省略。定位：附录D式24–28。
- CL03：EMA严格分离平稳非线性季节与非平稳线性趋势。条件：需有效统计检验与独立生成机制验证。支持：未证明，仅部分性能和ADF诊断。定位：3.2、附录C/F。
- CL04：arctan加权和Sigmoid学习率可迁移提升。条件：采用文中训练预算和目标。支持：多模型结果有支持，但缺不加权MAE与等优化预算对照。定位：表9–11。

风险和问题

- R01（重要问题；原文与运算量分析已确认，仅限复杂度结论）：用单次向量内积记号推导常数时间不成立。定位：p11附录D式28后。问题：是否改报每点在线复杂度、总运算量和实测并行性能？
- R02（重要问题；公式规格缺口确定，代码实现未知）：式8将N×P与N×P²相加但图示有线性残差；损失步索引也需重写。定位：p5式8及13–15。问题：可否明确残差投影和逐预测点损失的代码对应？
- R03（重要问题；统计解释边界确定）：平均ADF p值不是整体平稳性检验，无法证明分支对应的生成机制。定位：附录C表5/6、3.2。问题：可否用预注册的窗口检验及非线性趋势合成对照？
- R04（重要问题；有三种子平均但缺离散度）：细小改善未配对检验，混合基线来源仍缺逐格配置。定位：附录K表13–15。问题：能否提供种子结果、验证选参规则、完整测试样本数和配置清单？

阅读与版本记录

{
"legacy": "先读历史摘要；旧全文缺失；重新核验后确认本版附录说明混合基线来源和三种子平均，不沿用旧摘要的缺种子说法",
"full_text": "PDF1–25逐页阅读，含参考文献、附录A–L及全部结果与可视化",
"visual_checks": "p3–5架构、式8；p11复杂度与ADF；p13–16消融；p21–25所有预测图",
"code_executed": false,
"data_versions": "2412.17323v3，未核验外部仓库提交或数据文件哈希"
}

正文中文字符数：1761。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-0100 B路独立评审

xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

版本：2412.17323v3；阅读完成：2026-11-08T02:50:05.763811+00:00；物理页：[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25]。

先阅读历史摘要，再通读2412.17323v3的二十五页，包括全部实验表与预测图。完整旧评未提供。本次首先修正两项旧风险的适用范围：第16—17页明确说明表13—15取三个随机种子平均，不能继续说未发现种子重复；第17页逐表列明哪些结果转载、哪些模型重跑，也给出不丢弃最后批次的TFB比较。这些材料比历史摘要丰富。当前官方README同样区分发表结果与公平协议，二者不构成已证实的直接来源冲突；仍未提供波动区间和每格完整运行来源。

核心思想是用指数移动平均拆出平滑信号与残差，分别经MLP和分块卷积，再合并预测。它比只换一个骨干更关注训练损失、学习率与预处理的整体作用，且把EMA、损失、调度器移植到多种基线作消融，工程可复用价值较高。EMA、双流、深度可分离卷积和MAE均已有明确背景，原创性主要是适合预测任务的组合，而非这些工具首次出现。把残差命名为季节性不保证其周期或平稳，趋势也未必线性；这些名称只能视为操作性分量定义。

理论和方法表述有几处实质缺陷。第11页把一个长度随输入增长的加权点积称为O(1)，标准顺序计算模型中点积仍需O(n)乘加，向量化不等于常数总运算量。对每个前缀分别点积还可能增加总工作量；论文没有给出能把完整分解变成常数复杂度的算法。因此暂停O(1)这一特定主张，不能由此否定EMA递推本身正确。第4页所谓线性流含依赖输入统计量的LayerNorm，整体并非严格线性映射；第5页式8把N×P结果与N×P²残差直接相加，按印刷维度不相容，框图存在残差全连接层，说明更可能漏写投影，实际代码是否正确本次未知。最后固定线性层融合两流，也不能直接称输入条件化的动态门控。

历史关于ADF的警示成立且需要讲清原因。附录C先对多个长度720的片段做单位根检验，再平均p值并用0.05判断整体平稳性；平均p值没有这里所需的校准，拒绝单位根不是一般严格平稳的充分证明，不拒绝也不等于已证明非平稳。把Traffic滤波后更高p值解释为成功提取弱非平稳趋势，混合了平滑导致自相关和检验功效的变化。EMA对弱平稳输入的固定稳定线性滤波在稳态下仍可保持弱平稳，窗口初始化造成的瞬态不等于发现真实趋势。因此这组检验支持描述差异，不足以证明所称成分机制，更不足以据此唯一选出α=0.3。

损失的“反正切”作用在预测步位置而非残差幅度，实质是正权重MAE。其极限权重为1-π/4，约0.215，所以比CARD的远期衰减保留更多长预测监督；抗大残差的性质主要来自MAE，论文没有污染强度或异常点压力测试来验证新的抗异常机制。附录把i的负幂叫指数函数也不准确。表9多数MAE改善，但MSE存在退化，如DLinear在Traffic的96步从0.650变0.687而MAE下降，这体现目标取舍，不能概括成所有指标一致改善。多处损失公式把预测点索引和整条向量混用，需与文字意图区分。

经验结果仍然有价值。固定输入长度与搜索输入长度分开报告，附录还有完整四长度结果，避免只凭均值判断。表2中xPatch在多组数据领先，但Exchange平均MSE为0.366，不及DLinear的0.297；Traffic为0.392，不及iTransformer的0.378。更可比较的无末批丢弃表15里，Weather、Traffic、Electricity等仍较强，ETTh1平均MSE0.413落后PDF的0.407，ETTh2的0.341落后FITS的0.335。ILI从搜索表的1.281变为公平协议的1.633，说明协议选择会显著改变绝对成绩，不能把两个表的胜出比例与幅度无条件混用；这也不是证明差异仅由drop-last造成，训练配置与数据覆盖可能共同改变。

消融详尽是本篇强项：EMA替换、多流反转、单流、分位不涉及但损失衰减、学习率参数及RevIN都有对照，且部分改进在其他模型可迁移。不过单流与双流未等容量，损失改变和网络设计的作用不完全隔离，三种子均值缺标准差，不支持把千分位差异当稳定排序。表11的Weather完整模型项与表13同设置主结果不同，可能涉及RevIN配置；应视为配置映射未解释，而不是任意挑一个数字作结果造假判断。长输入比较也不能证明整个Transformer类别无法保留顺序，带位置结构的注意力模型不是简单的无序集合运算。

资源方面，官方README提供环境、统一/搜索/公平三类脚本和消融入口，本次只读说明，没有安装或运行。表3报告每步时间，xPatch训练3.099毫秒、推理1.303毫秒，较列出的Transformer快，却明显慢于DLinear的0.420、0.310毫秒；缺批量、计时预热和方差等完整说明，不能解释成全生命周期成本最优。总体适合保留作非Transformer强基线，避免把复杂度、平稳性和动态融合的术语等同于已证机制。值得思考的是收益主要来自分解、预测位置权重还是训练预算；若替换损失和调度器后架构优势显著缩小，结构独立贡献的解释就应收窄。优先亲读第17—20页的结果来源与公平协议，再对照第10—11页ADF和复杂度论证。这些是判断边界，不是给用户的实验清单。

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-0100 C路独立评审

版本与阅读记录

论文：xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

阅读版本：arXiv 2412.17323v3；首次公开：2024/12/23；本版日期：2025/02/11。发表记录：AAAI 2025, DOI 10.1609/aaai.v39i19.34270 verified。不将不同版本视为逐字一致。

阅读记录开始：2026-11-08T02:44:06Z；完成与冻结：2026-11-08T02:48:17.307234+00:00。PDF共25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

xPatch 是一篇把分解、轻量预测器和训练策略组合起来的方法论文。若关注简单模块如何形成有竞争力的长期预测基线，建议定向查阅；不宜把它作为指数平滑具有常数复杂度或趋势必须由线性模型处理的理论依据。本轮先阅读历史摘录，再完整阅读第二〇二五年二月第三版二十五页正文与附录，未将会议记录等同于该版内容。旧完整评语缺失，旧分数不参与本次判断。历史“缺少种子报告”的说法已被本版附录明确写出的三随机种子平均所修正；历史 README 与正文差异没有另行访问仓库，不能当成本次已核实事实。

核心思想是先用指数移动平均提取平滑分量，将残差送入分块卷积通路，将平滑分量送入带平均池化与归一化的全连接通路，再融合两个预测。指数平滑、深度可分离卷积和双流分解都不是新的基础原理，增量主要是把分量特性和不同预测器相配，以及与加权绝对误差、学习率策略共同形成可复现方案。它比泛泛增加一组注意力模块更容易理解和迁移，但“趋势线性、季节非线性”的对应关系是设计假设，不是从分解中自动成立的性质。所谓线性流还包含依赖输入统计量的 LayerNorm，不能严格等同于整体线性算子；最终融合层的已学习权重也不同于随每个样本重新产生的动态门控。

实证规模较充分，十个常用数据集、多种预测长度，并区分固定输入长度和搜索输入长度两套结果。固定长度表中 ETTh2 和 ILI 改进明显，搜索长度后电力、天气与多个 ETT 子集也有优势。不过，MAE 的改善比 MSE 更一致；这与采用绝对误差训练有关，不能把全部增益简单归因于网络结构。Traffic 固定长度平均 MSE 为零点四九九，iTransformer 为零点四二八；搜索协议下 Exchange 的零点三六六仍明显不如 DLinear 的零点二九七。因此，“大多数任务有竞争力”得到支持，“全面优于其他模型”没有得到支持。

更有价值的是附录第三套 TFB 协议结果明确不使用 drop-last，并加入 PDF 和 FITS。该表进一步说明结论依赖评测协议：xPatch 在 Traffic 的平均 MSE 为零点三八八，优于表内全部对手，而多个 ETT 子集的 MSE 由 PDF 或 FITS 领先；Exchange 仍较弱。ILI 平均 MSE 从第二套协议的一点二八一变为第三套的一点六三三。由于协议及来源一起变化，不能把这个差异全部解释成丢弃尾批的单因素效应，更不能据此推断作弊。三套表分别呈现有助于审计，但不能跨表拼接最优项来宣布统一胜率。

比较公平性仍有明确限制。第十七页说明不同基线来自 TimesNet 仓库、原论文、作者重跑或 TFB 仓库，只有若干模型和缺失数据集重跑。因而正文采用官方实现的概括，不应被读成所有方法均在一个统一代码环境重训。搜索输入长度是积极做法，但不同来源的调参、训练轮数、目标损失与其他超参数并不自动同预算。三种子平均消除了“完全单次实验”的疑虑，却没有提供各种子结果、标准差或成对区间，千分级优势的稳定性仍未知。这些限制影响精细排序，不抹去跨数据较大幅度的优势。

消融覆盖指数平滑替换、双流与单流、分量反向分派、损失函数、学习率及 RevIN，明显比只有删一个模块的证据完整。三个较大数据上的分量交换和双流对照支持所选搭配，但参数量和优化难度并未完全等价控制，所以仍无法唯一确定“趋势/季节语义匹配”是原因。指数平滑移植到其他模型后有平均提升，也有个别退化；学习率和损失调整多数幅度较小且缺方差，不宜将每个平均百分点都解释成普遍规律。可视化提供直观案例，却缺样本抽取规则，不能代表整体分布。

“arctangent loss”实际是随预测步长递减的 MAE 权重，而非对残差做反正切变换。权重从一趋向约零点二一四六，远端仍保留非零权重；这与 CARD 的反平方根权重相比有清楚的设计区别。抗大残差的性质主要来自绝对值本身，不能归因于反正切残差抑制。损失消融中部分 MAE 变好而 MSE 变差也符合优化目标改变后的取舍。该策略是可复用的工程启发，但其最佳形状并未由统计模型或决策成本推导。

两处技术论证需要收窄。首先，附录把长为 t 的点积当成常数时间操作，从而宣布指数平滑从线性复杂度降为常数复杂度。公式展开可以成立，但点积仍需读取并组合随长度增长的元素；并行化或消除 Python 循环不等于总计算工作为常数。这里只否定该复杂度论证，不否定向量化能实际加速。其次，对多窗口 ADF 的 p 值取平均后与零点零五比较，并不是校准过的合并检验；拒绝单位根也不等价于证明一般平稳。把平滑分量更常不拒绝单位根视为“更正确的趋势”，缺少真实分量或独立预测机制证据。

复现材料给出数据划分、主要网络与训练设置、多个协议来源及代码入口，足以形成较完整的阅读路线，但未核验代码快照、依赖和可运行性。部分基线学习率递推式的写法还可能与标准策略不一致，现阶段只记录为文稿解释风险，不推断实际运行错误。固定硬件上的计时显示 xPatch 训练与推理快于多种 Transformer 和 TimeMixer，仍慢于 DLinear；双流也比单流更昂贵，因此成本收益是有条件的，不能叫作无额外成本。尚缺总搜索预算、显存和跨硬件证据。

最值得带走的是平滑分量与残差采用不同容量，以及在长期预测中保留远端损失权重这两个可分离的想法。研究问题在于增益究竟来自分量语义、不同归纳偏置的集成，还是目标与优化的改变；现有证据尚不能完全分开它们。优先读第三至五页方法和第十七至二十页协议与完整表格。用户的具体问题、知识背景和资源未给出，个人适配四维继续未知。

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-0100 独立评审 D

论文：xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

版本：arXiv 2412.17323v3；版本日期 2025/02/11。首次公开 2024/12/23。评审 2026-11-08。

冻结时间（UTC）：2026-11-08T02:52:01.171622+00:00

阅读记录：2026-11-08 UTC：先读旧历史记录与身份，阅读PDF物理页1—20正文、参考文献和全部附录文字/表格，逐表核查关键主张及反例；视觉检查p11 EMA推导及p21—25全部预测示例；未逐单元重算所有大表。25页版本已完整覆盖。

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

- EMA分解与MLP/CNN双流可改进长程预测。

- 位置加权MAE和sigmoid调度可迁移到其他模型。

- 在三套协议下比较精度，并报告较低单步运行时间。

详细评审

这篇论文有实际价值，但价值主要来自一套细致调配的预测配方，而不是新的时间序列原理。作者把指数移动平均分解、趋势侧MLP、残差侧分块卷积、RevIN、按预测位置加权的MAE和学习率调度组合起来。分块后把patch当作卷积通道、用深度卷积与点卷积分别处理块内和块间关系，设计直观，适合构成可复用基线。EMA、双分支和深度可分离卷积本身都有成熟前例；新增的是具体组合、参数选择和实证整理。所谓“线性流”还包含LayerNorm，不能严格等同于输入到输出的全局线性函数。最终拼接后使用固定学习参数的线性层，能学到两分支的组合，却未展示随样本重新生成权重的动态门控；“动态权衡”宜按较弱含义理解。

实验证据比只看正文排行榜丰富。正文给统一输入窗口与输入长度搜索两套结果，附录又给不丢弃最后测试批次的TFB协议。第三套结果中，Weather、Traffic、Electricity和ILI的表现很有竞争力，MAE尤其强；但不是全面最优。例如表十五ETTh1平均MSE为零点四一三，PDF为零点四零七；ETTh2为零点三四一，FITS为零点三三五；Exchange为零点三六一，DLinear为零点二九二。统一窗口下Traffic的MSE也明显不如iTransformer，而MAE较好。这种指标分歧与其MAE型训练目标相容，不宜把MAE优势直接解释为所有误差风险都改善。十个数据集和多个预测跨度让工程结论有一定广度，但仍集中于标准公开多变量预测，未覆盖跨域零样本、缺失观测和强干预场景。

基线包含CARD、TimeMixer、PatchTST、iTransformer、DLinear，以及TFB中的PDF和FITS，相关性较好。第十七页明确拆分了原论文、官方仓库和本工作重跑三类结果来源，这一披露应予肯定，也纠正了把全部结果理解为同机重跑的可能误读。保持各自原配置和不同训练轮数有合理性，但不等于等预算、等搜索空间；搜索最优窗口的选择集合、验证规则以及原论文结果与新结果的所有数据处理细节尚未完整对齐。没有证据据此断言发生测试集调参，只能降低严格公平性的确信。TFB不丢最后一批是重要补强，不能据旧历史条目直接指认现版本全部测试都存在该问题。

消融是本工作的强项之一。附录分别考察EMA参数及替换、四种双流分配、损失权重、调度参数、输入长度和RevIN，还把若干部件移植到其他模型。原始双流分配优于反转或单类分配，支持其配置有效；但参数量、优化难度和每个训练部件的交互尚未完全控制，所以不能把收益唯一归于“趋势必须线性、季节必须非线性”。ADF分析也只检验特定单位根假设，把许多分段的p值取平均并不能产生一个校准后的整体检验；未拒绝单位根不等于证明非平稳，EMA残差也不因该操作就必然平稳。论文将平稳性、趋势、季节性和函数线性混在一起时，机制解释明显比实验支持走得更远。

一个可直接核验的技术问题在第十一页。作者将EMA递推展开为长度随时间增长的加权点积，代数展开基本成立，但由点积写法推出计算复杂度为常数不成立：读取并累加长度为t的向量仍需要随t增长的工作量，计算全部前缀也不能仅凭公式就视作一次常数操作。向量化减少解释器循环开销与算法复杂度是两回事。这不证明实际代码慢，也不推翻预测表格，但削弱复杂度论证。另一个需辨明的地方是“arctangent loss”：反正切作用在预测位置上，残差部分仍是MAE，不是对大残差进行新的反正切饱和。它相对CARD降低远期权重的程度更温和，具有经验动机；附录有移植收益，但一些MSE单项反而下降，不能把平均改善写成逐项一致改善。

复现披露属于中等偏上。代码地址、分解参数、patch设置、数据描述、训练设备和详细结果表均给出。第十六至十七页明确写三随机种子均值，因此历史记录中“未发现种子”不能沿用；不过没有对应标准差、置信区间或完整逐次结果，小幅领先的可靠性仍未知。计时表在同设置下报告每步训练和推理，xPatch分别约三点零九九和一点三零三毫秒，快于所列Transformer，但慢于DLinear的零点四二零和零点三一零毫秒。缺少计时预热、同步、批量和各任务分布等完整细节，不能据单个均值推断所有硬件的成本收益。公开仓库没有在本评审中运行或核实提交版本，完整旧评也缺失。总体上，我认可其强经验配方和可移植消融价值，对普适平稳性解释、常数复杂度以及全局最优叙述保持明确保留。

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

- 旧完整评语缺失；仅有历史行记录，未作为新评票。
- 三种子均值已披露，方差和置信区间仍缺失。
- 未执行代码、训练、推理或复现，未核验仓库版本。
- 不同来源基线的预算与完整预处理一致性尚不能确定。
- F组用户相关性、学习收益、可行性和决策价值未知。

详评正文汉字数：1405。未执行代码、训练、推理或复现。

ATT-0100 独立评审 E

论文：xPatch: Dual-Stream Time Series Forecasting with Exponential Seasonal-Trend Decomposition

评判版本：arXiv 2412.17323v3；版本日期 2025/02/11；首次公开 2024/12/23。阅读完成时间（UTC）：2026-11-08T02:48:54.536583+00:00。全文 25 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

xPatch的实用idea是把指数平滑后的低频成分与剩余成分分配给不同容量的预测路径：趋势走MLP，残差走带patch的深度可分离卷积，再合并预测。它说明非Transformer骨干也能利用patch和通道独立策略获得较好结果。EMA、双流、MAE和学习率平滑本身都有历史基础，真正贡献在组合及系统消融，而不是发明指数平滑或证明所有注意力网络不适合时序。对需要一个中等复杂度、较快且精度有竞争力的预测器的人，这篇值得定向查阅。

先读到的旧历史只有汇总风险与分数，没有完整评语。此次阅读25页v3正文和所有附录，核查主表、逐预测长度结果、EMA、损失、学习率、RevIN消融，并查看最后五页预测图。一个旧风险需要明确纠正：第16—17页写明结果平均三个随机种子，不能继续说完全没有种子重复；真正缺少的是方差、置信区间和逐种子结果。另一个旧风险关于基线来源，本地附录已经列清哪些从论文或仓库收集、哪些重跑，因此不能仅凭旧摘要推定来源矛盾。本评固定为2025年2月11日arXiv v3，没有读取或运行当前仓库。

模型结构总体容易理解。每个通道共享网络，EMA递推产生趋势，原信号减趋势产生残差；后者分成长度16、步长8的patch，再将patch视为卷积通道，利用分组卷积和点卷积整合信息。趋势路径使用全连接、平均池化和LayerNorm，没有常规激活函数。需要注意，LayerNorm依赖输入统计量，因此这条“线性流”并非严格数学线性映射；它是低复杂度归纳偏置的描述。最终连接后的线性层也是固定学到的融合权重，不能仅凭“动态权衡”措辞认定存在输入条件化门控。

EMA避免对称移动平均重复边界值，确实提供另一种平滑偏好，但“平滑残差就是季节成分”“季节一定平稳且非线性”“趋势一定非平稳且线性”都只能当作启发式，不是普遍分解定理。一个固定稳定滤波器不会自动把所有真实数据分成所宣称的统计类别。附录C在720长度块上做ADF，再平均p值并以0.05阈值判断整体平稳性，这不是经过校准的全局检验；未拒绝单位根也不能证明非平稳，拒绝单位根更不等于确立全部平稳性条件。作者据此说EMA提取“正确趋势”、α=0.3最优，理论依据过强。预测收益可以独立存在，但这部分机制说明应降格为有限样本现象。

附录D另有明确复杂度错误。将递推EMA展开成权重向量与长度t数据的点积，代数等价本身成立，却不能因此把时间复杂度从O(n)降成O(1)。读取与计算长度t点积仍有随长度增长的工作量，输出整个长度n序列至少需要线性读写；如果逐点各做点积还可能更贵。GPU向量化减少串行循环和常数时间，不改变总运算量为常数。这一资源结论应暂停引用，不影响EMA可被高效实现的事实。

实验对比设了统一短窗口与搜索长窗口两组，并在附录加入不丢弃最后测试批次的TFB协议，后者尤其应优先用于实际比较。附录明确解释基线数字混合来源、哪些补充数据集重跑，是有用的透明信息，但跨来源训练目标、搜索量、早停和随机性仍不完全相同。作者自己的训练包同时含加权MAE、EMA、RevIN、双流和新学习率，因此主表排名不能直接归因于CNN比Transformer更优。三种子平均降低单次偶然性，却没有足以支持百分之一左右优势的离散度。

结果有较强但不一致的支持。统一短窗下Traffic平均MSE为0.499，明显逊iTransformer的0.428，虽然MAE略好；搜索设置下Exchange平均MSE为0.366，仍逊DLinear的0.297。表15较公平协议中，Weather、Traffic、Electricity等表现强，ETT部分MSE却由PDF或FITS更优。平均四个预测长度可能掩盖最长预测退化，例如搜索设置ETTh2的720步xPatch为0.384、TimeMixer为0.342。应避免把MAE优化的优势解释为所有误差目标、所有预测长度都更好。

消融的覆盖是本篇长处。EMA被换入多个模型，双流与反转分配、两条同型流比较，损失和学习率也在多个骨干上测试，能够说明设计不完全依赖单个实现。与此同时，EMA给xPatch的整体收益约百分之一，并非每个数据点都有改善；反转与单流实验主要在三个数据集，参数预算也未完全匹配。所谓arctangent loss实际是对预测位置施加递减权重的MAE，arctan作用在时间索引而不是残差上，不能视为新的有界异常值损失。其渐近权重为1−π/4，远期并非被彻底忽略；但和MSE训练的基线比较时同时改变了误差目标与时间权重，需要分别归因。

Sigmoid学习率方案给出推导、参数范围和跨模型实验，收益较小而可移植，值得作为训练选项，不足以证明普遍防过拟合。附录表格还有需核对的局部数字，例如表11 Traffic720的xPatch* MSE写0.501，而相同终配置在表9及主结果对应0.547；缺少说明不能假定同一运行。研究资源给出代码、数据地址和硬件，仍未提供完整训练配置清单及标准差。计时表显示xPatch推理1.303ms，快于多个Transformer对手，但DLinear仅0.310ms，双流不是最低成本方案。综合而言，应保留其可复用的双流训练配方，谨慎使用平稳性解释、常数复杂度以及宽泛架构优越性结论。

完整24维评分

风险记录

- R01 重要，已确认：长度相关点积和完整序列读写不可能构成所述O(1)总计算复杂度。（PDF 11式24—28）。
- R02 重要，已确认方法局限：平均ADF p值未校准，未拒绝单位根不等于证明非平稳，不能建立普遍成分性质。（PDF 10—11）。
- R03 重要，已确认缺失：三种子平均有明确记载，旧记录无重复的担忧不再沿用；但离散度缺失且跨来源训练预算未完全等价。（PDF 16—20）。

汇总与阅读建议

定向查阅双流、损失与调度消融；优先表15协议，暂停引用EMA常数复杂度和强平稳性解释。已评分20/24维，F1—F4未知；无总分、无强制排序。重点位置：3—7页设计；10—16页分解与训练消融；17—20页来源及完整结果。

结构化数据见同目录 review.json。