כתבה
arXiv cs.LG ·
RACE: התאמה עם רווח זמני
RACE: Residual-Aware Test-Time Adaptation for Neighbor-Rich Time-Series Foundation Model Forecasting
RACE היא שיטה לשיפור יכולת התחזית של מודלים לסדרות זמן. היא משתמשת בראיות מסדרות זמן שכנות כדי לתקן שגיאות. RACE משפרת את התוצאות על ידי שימוש בשער קל משקל לקביעת האם ליישם את התיקון.
תקציר מקורי באנגליתarXiv:2610.00405v1 Announce Type: new Abstract: Time-series foundation models (TSFMs) perform strongly across forecasting tasks, but their per-series inference is ill-suited to neighbor-rich forecasting, where each query has access to related but nonidentical historical series. Continuous glucose monitoring (CGM) and Web/cloud workloads exemplify this setting: CGM trajectories share physiological patterns but vary across individuals, devices, and conditions, while Web/cloud workloads combine common operating regimes with non-stationarity, heavy tails, and bursts. These histories share useful structure, yet neighbors are not equally relevant. Existing methods either fine-tune TSFMs for each target domain, incurring additional costs and offering limited transferability across backbones, or a
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית