第13名解决方案

首先感谢主办方，也向所有参赛者表示祝贺。我很遗憾未能保持在金牌段位，但获得了宝贵的学习经验。我想借此机会表达我的感激之情。虽然时间有些晚了，但我仍想分享我的解决方案。我的英语水平有限，如有不清楚之处欢迎随时询问。

我的解决方案包括：

• 训练数据的噪声过滤
• 定制的GraphNet模型

我曾尝试训练LSTM和Transformer模型，但效果不理想，所以过早放弃了这些方案，这是导致我失利的主要原因。

最终提交时，我使用了8个GraphNet模型的集成。单个图模型在Public榜获得0.982分，Private榜获得0.984分。因此，集成带来的提升可能并不显著。

训练数据的噪声过滤

我认为当事件内观测信号较少时，数据难以拟合且容易导致过拟合。因此我实施了以下循环流程：

1. 对训练数据进行推理，排除预测效果差的数据（具体排除MAE > 1的数据）
2. 在筛选后的数据集上训练，若验证分数提升，则使用该模型重新推理训练数据
3. 重复步骤1的构造方式，再次排除难以拟合的训练数据并重新训练

上述过程重复了2-3次。

这个想法源于我在PANDA竞赛中处理噪声标签导致过拟合的经验。我认为本次竞赛涉及物理现象，在理想观测数据下预测相对容易。因此，包含噪声数据的训练模型也无法准确预测测试数据中的困难事件。事实上，使用去噪数据训练的模型提升了CV分数，Public LB分数也随之提高，证明该方法有效。

定制的GraphNet模型

我在主办方提供的模型基础上进行了改进：

• 在KNN添加信息时加入了时间变量
• 调整KNN邻域数量（从8增加到32）
• 将池化层替换为注意力机制
• 尝试不同激活函数（发现负数区域零梯度的函数效果不佳，PReLU效果最佳）

我的失败之处

• 其他信息利用：尝试加入QE等信息但未深入，特别是GNN未能从中获益
• 其他方法尝试：LSTM和Transformer训练效果不佳，可能输入和设置有问题，但最大的失败是过早终止这些尝试
• 后处理：尝试对预测方向完全相反的情况进行分类后处理，但未奏效
• 插值方法：由于信号少的事件精度较差，尝试在时间和空间上插值信号，但未见成效
• 成像思路：曾想通过视频/成像方式预测传感器位置方向来集成，但因事件数量过大导致存储不足而失败