TSFMs
PulseAugur coverage of TSFMs — every cluster mentioning TSFMs across labs, papers, and developer communities, ranked by signal.
-
新的“动态基准”LiveHouse-TS 挑战静态时间序列模型评估
研究人员推出了一种新颖的基准基础设施 LiveHouse-TS，旨在评估动态、真实世界条件下的时间序列基础模型 (TSFM)。与传统的静态基准不同，LiveHouse-TS 在新数据可用时持续评估模型性能，并考虑数据分布的变化和意外事件。对 11 个领域和 17 个数据集的初步评估显示，与静态方法相比，使用此“动态”基准评估时，模型排名可能会发生显著变化。
-
新的OATS策略通过动态数据增强增强时间序列基础模型
研究人员开发了OATS，一种面向时间序列基础模型（TSFM）的新型在线数据增强策略。该方法利用有价值的训练样本作为指导信号，动态生成针对特定训练阶段量身定制的合成数据。OATS采用基于扩散的框架进行真实时间序列生成，并采用探索-利用机制来平衡效率和有效性。实验表明，OATS在多个数据集和TSFM架构上显著优于标准训练和现有的静态数据增强技术。
-
New framework personalizes federated adaptation for time-series models
研究人员开发了一种个性化的联邦稀疏适应框架，用于时间序列基础模型（TSFMs），旨在通过解决私有、分布式电表数据的非独立同分布（non-IID）性质来改进能源预测。这种新方法利用了异构时间混合专家（MoE）适配器，其中一个序列级路由器会选择一组针对特定上下文窗口量身定制的专家。在50栋建筑和三个TSFM骨干模型上的实验表明，这种个性化策略在性能上持续优于全局联邦学习和本地适应方法，突显了客户端感知和骨干模型感知的适应的重要性。
-
新方法将时间序列模型与大型语言模型对齐，以增强推理和预测能力
研究人员开发了新的方法，将时间序列基础模型（TSFM）与大型语言模型（LLM）集成，以增强推理能力。TS-Reasoner通过两阶段训练过程，专注于将TSFM的潜在表示与LLM的文本输入对齐，与现有模型相比，表现出卓越的性能和数据效率。另一方面，ReasonCast旨在创建一个统一模型，在单次自回归过程中同时生成数值预测和可验证的因果推理链，在预测准确性方面优于LLM和TS模型。
-
新框架统一时间序列基础模型的后训练方法
一篇新的研究论文介绍了一个用于时间序列基础模型（TSFM）后训练方法的统一框架。该论文将这些方法分为五类：参数适应、上下文增强、模型组合、输出处理和压缩。它分析了这些类别中的现有技术，讨论了它们的局限性，并提出了改进TSFM部署的未来研究方向。
-
时间序列基础模型在电力价格预测方面展现出潜力
一篇新的研究论文评估了时间序列基础模型（TSFMs）在电力价格预测领域的性能，该领域以复杂的时间依赖性和分布偏移为特征。该研究引入了一个基准测试框架，以减轻污染风险并评估TSFMs的泛化能力。研究结果表明，TSFMs具有竞争力，并且通常优于一般基线模型，尽管其有效性取决于协变量支持，并且它们并不总是能超越专业方法。研究建议将TSFMs与特定领域的方法相结合，可以捕捉互补的预测信息。
-
新的TS-Memory适配器增强了时间序列基础模型
研究人员开发了TS-Memory，这是一种新颖的即插即用记忆体适配器，旨在增强时间序列基础模型（TSFMs）。该方法通过缓解灾难性遗忘和减少推理延迟来应对将TSFMs适应新领域的挑战。TS-Memory通过一个涉及kNN教师和随后蒸馏成轻量级适配器的两阶段训练过程来实现这一点，从而能够进行高效、无需检索的部署。