一项对时间序列预测基础模型的新分析表明，部署它们并非总是合理的。该研究将 Chronos、Moirai 和 Lag-Llama 等模型与 XGBoost 等传统方法在 30 个基准数据集上进行了比较。虽然基础模型在 15 个数据集上无条件地优于经典方法，但在其他数据集上，经典方法仅使用 2% 的训练数据就表现更优。研究还发现，LoRA 微调有时会降低在较短时间序列上的性能。 AI
影响 为从业者提供了一个框架，以决定是否投资于时间序列预测的基础模型，从而可能节省大量的计算资源。
排序理由 学术论文，分析时间序列预测基础模型的成本效益。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2607.04919v1 Announce Type: new Abstract: Deploying a time series foundation model requires GPU infrastructure, engineering overhead, and carries no guarantee of improvement over XGBoost. We provide the first systematic break-even analysis answering when this investment pay…
Deploying a time series foundation model requires GPU infrastructure, engineering overhead, and carries no guarantee of improvement over XGBoost. We provide the first systematic break-even analysis answering when this investment pays off. Across 30 benchmark datasets, we compare …