研究人员推出了一种新颖的、无需训练的 Align-RAG 方法，通过检索增强预测来增强时间序列基础模型 (TSFM)。与依赖学习到的融合模块的先前方法不同，Align-RAG 在检索数据进入冻结骨干网络之前对其应用闭式变换，证明了在无需额外训练的情况下可以动态地整合上下文。该方法在基准测试中表现出卓越的性能，优于最先进的训练适配器，并提高了各种 TSFM 架构的零样本准确性。 AI
影响 该方法可以无需昂贵的微调即可更有效地将基础模型适应新领域。
排序理由 该集群包含一篇详细介绍时间序列基础模型新方法的论文。
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:2608.05571v1 Announce Type: new Abstract: Retrieval-augmented forecasting promises to adapt frozen Time Series Foundation Models (TSFMs) to new domains without fine-tuning, but recent methods typically rely on learned fusion modules, i.e., trained adapters that merge retrie…
Retrieval-augmented forecasting promises to adapt frozen Time Series Foundation Models (TSFMs) to new domains without fine-tuning, but recent methods typically rely on learned fusion modules, i.e., trained adapters that merge retrieved examples into the backbone's forecast, based…