Fine-Grained Knowledge Augmentation

新框架通过细粒度知识复用增强时间序列基础模型

研究人员开发了一个名为“method”的新框架，以改进时间序列基础模型（TSFMs）在下游任务中的应用。该框架通过解耦和整合预训练知识到可复用组件中，解决了领域迁移的挑战。该方法包括一个两阶段过程：首先，为趋势和季节性信号创建残差码本，然后，动态合并这些细粒度模式以进行任务自适应聚合。在八个真实世界基准上的实验表明，“method”提高了冻结TSFM的有效性和计算效率，并展示了跨不同模型骨干的强大迁移能力。