一篇题为“无基础的基石:时间序列基础模型中的零样本盲点”的新研究论文指出了当前时间序列基础模型(TSFMs)存在的显著局限性。尽管这些模型在广泛的基准测试中取得了成功,但像 Chronos-2、Moirai 和 Toto 这样的模型,即使提供了外生协变量,也经常无法准确预测趋势和周期信号等基本时间模式。虽然微调可以提高特定任务的性能,但通常会降低其他任务的性能,这表明缺乏可泛化的基础能力。这些失败甚至延伸到现实世界的传感器预测,其中 TSFMs 未能充分利用可用的领先指标,从而限制了其实际效用。 AI
影响 突显了当前时间序列基础模型在泛化基本时间推理能力方面的差距,可能限制其在现实世界中的应用和可靠性。
排序理由 在 arXiv 上发表的研究论文,详细介绍了时间序列基础模型的局限性。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Chronos-2 Forecasting Model
- DagsHub
- Gotit.pub
- Hugging Face
- Moirai
- Nafiseh Ghoroghchian
- ScienceCast
- SimpleTimeBench
- Toto
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →