Latent Inference-Time Guidance of Time Series Foundation Models
时间序列基础模型的潜在推理时引导AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要主题为时间序列基础模型的预测与集成方法，直接对应时间序列与预测/即时预测两个细分方向；未涉及因果推断、面板、金融等方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
时间序列基础模型的潜在推理时引导
- 研究问题
- 摘要称，时间序列基础模型（TSFM）依赖上下文学习，其预测质量对用户选择的回看窗口、协变量、预测期与训练数据分布高度敏感，不同设定下的预测质量参差但互补；因此研究问题是如何以有原则的集成方式自适应组合一组 TSFM 预测，而非仅挑选最佳上下文。
- 方法与思路
- 作者提出“潜在推理时引导”：在一个具有独立分量的、随时间变化的潜在空间中将一组 TSFM 预测自适应地组合起来；摘要称该框架带有可识别性与重构保证，同时保持基础模型开箱即用的特性。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出该潜在推理时引导框架，并称其具备可识别性与重构保证、保留开箱即用性；实验覆盖多种频率与多个领域的数据集，结果显示该方法与传统集成方法相比具有竞争力。
- 阅读关注点
- 应核对：潜在空间与独立分量的具体设定、可识别性与重构保证所依赖的假设与证明条件、集成权重的估计方式、对比的传统集成方法有哪些、评估所用的数据集、频率、领域与评价指标，以及“具有竞争力”的具体含义。
- 阅读边界
- 仅凭摘要无法判断保证成立所需假设是否合理、实验是否充分、是否优于所有对比方法；摘要未说明具体数据集、指标与数值结果。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Time Series Foundation Models (TSFMs) currently provide state-of-the-art results in forecasting tasks. They are available out-of-the-box and rely on in-context learning to make their predictions, which makes the quality of their performance highly sensitive to the user-selected lookback, covariates, horizon and training data distributions. In practise, the quality of the forecasts are variable but complementary, which highlights the need for a principled ensembling approach, rather than selecting the best context. This paper introduces Latent Inference-Time Guidance for TSFMs, which adaptively combines a pool of TSFM forecasts through a time-dependent latent space with independent components. The framework comes equipped with identifiability and reconstruction guarantees, whilst maintaining the off-the-shelf aspect of foundation models. We provide experiments on datasets at various frequencies and from multiple domains: these show that the approach is competitive with traditional ensembling approaches.