TimesFM
PulseAugur coverage of TimesFM — every cluster mentioning TimesFM across labs, papers, and developer communities, ranked by signal.
- 2025-09-23 research_milestone Google Research presented a new method for time-series foundation models to perform few-shot learning at inference time. 来源
6 天有情绪数据
-
学生集成Google的TabFM和TimesFM用于本地零样本机器学习任务
一名研究生开发了Zer0Fit，一个集成了Google的TabFM和TimesFM基础模型的本地服务器。该工具允许用户通过连接本地LLM接口执行零样本机器学习任务，如预测、分类和回归。Zer0Fit在Iris数据集上取得了94.7%的显著准确率，在回归任务上取得了0.91的R2分数，同时需要约16GB的显存。
-
研究发现：基础模型难以预测极端野火烟雾
一项新研究评估了基础模型在预测野火烟雾引起的极端 PM2.5 浓度方面的泛化能力，这是一个严峻的公共卫生挑战。研究人员使用加州 12 年的数据，将六种时间序列基础模型 (TSFM) 配置与 LSTM 和 BiLSTM 等传统模型进行了比较。研究结果表明，虽然基础模型在朴素预测法上有所改进，但其表现并未优于完全训练的循环基线模型，并且一些模型在极端条件下表现不稳定。使用 LoRA 进行微调显著改进了适配的基础模型，但仍未能达到训练过的循…
-
Apple发布TopoPrimer以提高预测模型准确性
Apple Machine Learning Research推出了TopoPrimer，一个旨在通过整合时间序列数据的全局拓扑结构来增强预测模型的新框架。该方法利用持久同调和谱层坐标来提供明确的拓扑上下文，从而提高准确性和稳定性，尤其是在季节性需求高峰和冷启动场景下。在Chronos和TimesFM等模型上的基准测试显示，TopoPrimer在冷启动情况下将平均绝对误差降低了高达27%，并在高峰需求期间保持了预测稳定性。
-
Google Research 发布 TabFM，一个用于表格数据的零样本基础模型
Google Research 推出了 TabFM，一个专为表格数据设计的新型基础模型，该模型无需数据集特定的训练即可执行分类和回归任务。该模型利用混合注意力架构，结合了行和列注意力机制，并利用上下文学习在单次前向传播中进行预测。TabFM 使用数亿个合成数据集进行了大规模训练，现已在 Hugging Face 和 GitHub 等平台上提供。
-
FoundryNet 使用 TimesFM 和 16 个数据点预测设备故障
FoundryNet 开发了一种使用名为 TimesFM 的时间序列基础模型来预测设备故障的新方法。该方法仅需 16 个数据点，大大减少了对大量每台机器训练数据的需求。该系统会规范化来自不同 OEM 的遥测数据，预测未来值，并能预测何时会超过故障阈值。通过在 MINT Protocol 上进行验证，并在 Solana 区块链上结算，使预测可验证。
-
新框架提炼基础模型用于专业时间序列预测
研究人员开发了一个名为 Guard 的新颖框架，用于将大型通用基础模型（FM）的知识提炼成轻量级、专业的时序预测器。该方法解决了 FM 在科学领域应用面临的挑战，这些领域中分布不匹配和高计算成本是重大障碍。Guard 使用实例级决策过程和上下文路由器来选择最相关的教师 FM，并使用不确定性门控温度机制来控制提炼强度，从而实现适合资源受限边缘部署的高精度预测。此外，一个教程演示了如何使用 TimeCopilot 构建端到端的预测管道，该…
-
研究比较了用于移动健康的AI架构的行为预测能力
一项新研究使用移动健康数据，比较了六种深度学习架构、两种基础模型（FM）和统计基线在多周期行为预测方面的表现。研究发现，没有一种架构能够持续优于其他架构，其中PatchTST在训练模型中表现最佳，而FM TimesFM在零样本（zero-shot）性能方面表现强劲，尤其是在数据量较少的情况下。参与者级别的微调显著提高了预测准确性，将RMSE降低了16-60%，其中睡眠数据受益最大。
-
新基准评估用于血糖预测的时间序列模型
研究人员推出了 GlucoFM-Bench，这是一个旨在评估用于血糖预测的时间序列基础模型（TSFM）的新基准。该研究评估了八种不同的模型架构，包括预训练的 TSFM 和传统的深度学习模型，涵盖了代表不同糖尿病人群的 15 个公共数据集。虽然 Chronos-2 和 TimesFM 等 TSFM 在零样本和少样本场景中表现强劲，但在有充足的特定任务数据可用时，简单的 LSTM 模型仍然表现更优。
-
TimesFM基础模型增强了网络物理攻击检测能力
研究人员开发了一种使用名为TimesFM的时间序列基础模型来检测网络物理系统攻击的新方法。该方法不需要预先了解系统的模型或结构。在IEEE 14节点电力系统模拟中，基于TimesFM的检测器在检测重放攻击和隐蔽攻击方面表现出与现有方法相当或更优的性能。
-
TopoPrimer框架通过拓扑上下文提升预测准确性
研究人员开发了TopoPrimer，一个旨在通过整合时间序列数据的全局拓扑结构来增强预测模型的新型框架。该方法利用持久同调和谱层坐标提供显式的拓扑上下文，从而提高准确性和稳定性，尤其是在季节性需求高峰和冷启动等具有挑战性的场景中。基准测试表明，TopoPrimer在各种模型和数据集上持续提高预测准确性，显著降低了平均绝对误差（MAE）和均方误差（MSE）。
-
ISOMORPH数字孪生为供应链预测提供新基准
研究人员推出ISOMORPH，这是一种专为供应链物流设计的新型数字孪生，填补了现有时间序列预测基准的空白。该模拟器提供了一个可配置的多层网络，具有可解释的参数，能够生成真实的数据集并研究鞭效应等现象。初步评估表明，包括Chronos和TimesFM在内的几款基础模型在使用ISOMORPH时，其表现与现有基准相当，证明了其在模拟和模型评估方面的实用性。
-
Google Research 通过少样本学习增强时间序列预测能力
Google Research 开发了一种新方法，通过在推理时从少量示例中学习来增强时间序列预测模型。这种方法称为 In-Context Fine-Tuning (ICF)，建立在其先前的 TimesFM 模型之上，通过使用带有特殊分隔符的持续预训练来实现。这些分隔符有助于模型区分历史预测数据和提供的示例，从而无需传统的监督微调即可进行适应和改进预测。