FP-MLP产品系统

解决并验证了MLP时序模型在GPU负载预测中存在的“频率偏置”现象，模型过度学习低频频谱分量，忽略反映突发负载的高频细节。

提出频域分块与频域归一化策略，将频谱切分为多个子带独立归一化，迫使模型均衡学习各频段特
征；设计频域通道MLP与时序MLP联合提取跨变量依赖与时间依赖。
损失函数：引入频域损失函数，与时空域损失联合优化，增强泛化能力并抑制过拟合。

研究内容：解决并验证了MLP时序模型在GPU负载预测中存在的“频率偏置”现象，模型过度学习低频频谱
分量，忽略反映突发负载的高频细节。
方法创新：
提出频域分块与频域归一化策略，将频谱切分为多个子带独立归一化，迫使模型均衡学习各频段特
征；设计频域通道MLP与时序MLP联合提取跨变量依赖与时间依赖。
损失函数：引入频域损失函数，与时空域损失联合优化，增强泛化能力并抑制过拟合。
实验成果：在Alibaba 2018/2020和Google 2019真实GPU集群数据上，相较Autoformer、Informer、
DLinear等8类SOTA模型，MSE最大降低8%，MAE最大降低17%；消融实验验证了频域分块与频域损失
的独立有效性。