答辩问题

孙宇昂同学，你的毕业论文我仔细看过了。能看出你在Transformer时间序列预测这个方向上下了不少功夫，模型设计也有明确的针对性。作为你的答辩老师，我从技术层面挑几个问题，你试着回答一下。答得对，说明你想得清楚；答得不对，我们一起把问题搞透。

---

问题一：关于“自适应多尺度融合”的核心新意

你在3.4节提出的自适应多尺度加权融合机制，是本文重要的创新点之一。请你回答我：在你不扩充那个候选窗口池的前提下，仅把原始PRformer的“静态可学习权重”替换成你的“输入感知动态权重”，你认为这本身还有没有独立的创新价值？如果只做这一处改动，它解决的根本问题是什么？

问题二：关于消融实验中的一个反常现象

请看你的表4.5：在ETTh1数据集上，完整模型M4的MSE（0.3753）比只加预测头的M3（0.3736）还要差一点点；在Electricity数据集上，M4（0.1399）反而明显差于原始PRformer的M1（0.1352）。面对这个结果，你如何向答辩委员会解释，这并非说明你的自适应融合模块“无效”甚至“起反作用”？这个实验现象背后，训练层面的原因可能是什么？

问题三：关于复杂度的“定性”与“定量”

你在3.6.4节给出的是复杂度定性分析，结论是“额外计算成本有限”。现在请你在答辩现场做一个定量估算：以ETTh1数据集为例，你的自适应多尺度融合模块给整个模型带来了大约多少可训练参数量的增量？你把训练时长从多少增加到了多少（根据你表4.5的分钟数来说），这个代价换来多少性能收益？用这些数字完整回应“是否划算”的质疑。

问题四：关于预测头的针对性设计

你提出的非线性增强预测头用了一个“线性分支+非线性分支”的残差结构。请解释：为什么不直接堆一个更深的MLP，而一定要保留那条原始的线性支路来做一个残差连接？你把那条线性支路直接砍掉，ETTh1上MSE会跌多少？有没有做过这个验证？

问题五：关于未来工作的可实施性

你在5.2节提到未来要“研究自动搜索最佳窗口的算法”。请简要给出一种你认为可行的窗口搜索策略（例如基于AutoML的某个方法），并分析为什么在本次毕设中没有实施这个方向，最核心的阻碍是什么？