English(EN) Post-Training in Time Series Foundation Models: A Unifying Framework

新框架统一时间序列基础模型的后训练方法

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-23 04:00

提出了一种新的框架，用于统一时间序列基础模型（TSFM）的后训练方法。这些方法对于将预训练的TSFM适应特定的下游任务至关重要，以应对领域漂移和监督有限等挑战。该框架将后训练技术分为参数适应、上下文增强、模型组合、输出处理和压缩，旨在指导该领域的未来研究。 AI

影响为时间序列分析的基础模型适应提供了一种结构化方法，有可能提高其在各种应用中的可靠性。

排序理由该集群包含一篇详细介绍时间序列基础模型后训练新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Shifeng Xie, Ambroise Odonnat, Zehao Xiao, Lei Zan, Malik Tiomoko, Lujia Pan, Themis Palpanas, Boris N. Oreshkin, Chenghao Liu, Keli Zhang · 2026-07-23 04:00

时间序列基础模型的训练后：一个统一的框架

arXiv:2607.20002v1 Announce Type: cross Abstract: Time series foundation models (TSFMs) have emerged as general-purpose models for time series analysis, but pretraining alone is often insufficient for reliable downstream deployment. Bridging this gap requires further intervention…