🔥 今日值得一读
时序基础模型预测总翻车？新方法用潜在引导自适应集成，效果碾压传统集成！
Latent Inference-Time Guidance of Time Series Foundation Models
👨💼 主理人解读 · 为什么值得关注
可对多个TSFM预测做潜空间集成，开发者无需选最佳上下文即可提升预测稳定性。
📖 AI 总结
本文提出一种针对时间序列基础模型（TSFM）的潜在推理时引导方法。TSFM 目前依赖上下文学习进行预测，其性能高度依赖用户选择的回看窗口、协变量、预测跨度及训练数据分布，导致预测质量波动较大，但不同配置下的预测结果往往具有互补性，因此需要一种有原则的集成方法而非简单挑选最优上下文。为此，作者提出通过具有独立分量的时间相关潜在空间，自适应地组合一组 TSFM 预测结果，并在保持基础模型即用特性的同时，提供了可识别性与重构保证。研究在多种频率和多个领域的数据集上进行了实验，结果表明该方法与传统集成方法相比具有竞争力。
🔑 关键词速览
| Time Series Foundation Models (TSFMs) | 在大规模时间序列数据上预训练的基础模型，能够通过上下文学习进行零样本预测。 |
| In-Context Learning | 模型无需参数更新，仅根据输入上下文中的示例进行预测的学习范式。 |
| Latent Inference-Time Guidance | 在推理阶段通过潜在空间引导自适应组合多个模型预测的方法。 |
| Ensembling | 集成方法，通过组合多个模型的预测来提高整体性能和鲁棒性。 |
| Identifiability | 模型参数或潜在变量能够被唯一确定的性质，保证模型的可解释性和稳定性。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅