通过数据混合调整时间序列基础模型
机器学习
2026-03-04 v1 机器学习
摘要
时间序列基础模型 (TSFMs) 越来越受欢迎，用于零样本预测。然而，对于未被预训练集充分覆盖的新时间序列领域，性能可能受到影响。因此，当实践者关注新的领域且可获得一组相关数据集时，问题便是：如何最好地微调 TSFM 以提高零样本预测？典型方法是对所有数据集或分别对每个数据集进行 LoRA 模块的微调。对每个数据集单独微调模块允许 TSFM 对不同数据分布类型进行专业化，通过为不同时间序列情境选择不同的 per-dataset 模块组合。然而，我们发现，对每个数据集的模块可能并非最优，因为时间序列数据集可以包含来自几种分布类型的数据，即子域。这可能是由于分布迁移或由于时间序列的不同维度具有不同分布。因此，我们提出了 MixFT，通过贝叶斯混合将数据重新划分为最能代表数据中存在的子域的集合，并对每个这样的集合分别进行微调。这种数据重新划分确保每个集合更均匀，从而导致针对特定子域的微调模块。我们的实验表明，MixFT 的性能优于 per-dataset 方法以及在所有数据上对单个模块进行微调。这表明，通过重新划分数据以表示子域，我们可以更好地专业化 TSFMs 以提高零样本预测。
引用
@article{arxiv.2603.02840,
title = {Adapting Time Series Foundation Models through Data Mixtures},
author = {Thomas L. Lee and Edoardo M. Ponti and Amos Storkey},
journal= {arXiv preprint arXiv:2603.02840},
year = {2026}
}
备注
Preprint, 8 pages