通过分解实现泛化：检索引导的不变-动态分解用于时间序列预测
机器学习
2026-05-26 v1 人工智能
摘要
时间序列基础模型（TSFMs）最近通过大规模预训练和检索增强预测实现了强大的零样本预测性能。然而，我们的经验分析揭示了检索基于预测的一个显著局限：检索倾向于引发更剧烈的预测波动，在高度波动的序列上提升性能，但在平滑、趋势主导的序列上降低准确率。这表明检索信息可能在预测中被融合，而未能明确区分稳定的时间结构与特定实例的变动，从而在分布迁移下降低鲁棒性。我们提出了检索引导的不变-动态分解框架用于时间序列预测。我们不将检索作为辅助预测上下文，而是将检索序列作为来自相关环境的隐式样本，以指导表示分解。具体而言，我们首先通过注意力聚合构建检索感知表示，然后引入检索引导的路由机制将其分解为捕获稳定共享结构的不变组件和建模上下文依赖变动的动态组件。这两个组件分别进行预测，再进行融合以获得最终预测，使模型能够保留可迁移的模式，同时适应不断演变的动态。我们进一步设计了鼓励不变学习和解耦的训练目标，并提供了理论见解，表明检索聚合降低了方差并在无显式环境监督下近似不变表示学习。广泛的实验表明，我们的方法在分布迁移下持续改善鲁棒性，并在零样本预测设置下超越现有的 TSFMs 和检索基线。
引用
@article{arxiv.2605.24911,
title = {Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting},
author = {Jinjin Chi and Lei Feng and Lulu Zhang and Yongcheng Jing and Yiming Wang and Ximing Li and Jialie Shen and Leszek Rutkowski and Dacheng Tao},
journal= {arXiv preprint arXiv:2605.24911},
year = {2026}
}