从表格到时间：将TabPFN-v2扩展到时间序列预测
机器学习
2026-01-28 v4
摘要
基础模型的最新进展使得时间序列预测具有强大的零样本性能。在这项工作中，我们表明这种能力也可以从表格基础模型中涌现。我们介绍了TabPFN-TS，一种简单的方法，通过将轻量级时间特征化与预训练的TabPFN-v2相结合，将预测视为表格回归问题。这种公式不需要特定于时间序列的预训练，并且自然支持单变量和协变量信息预测。尽管其紧凑的尺寸（11M参数），TabPFN-TS在GIFT-Eval和fev-bench基准测试中，在协变量信息预测上达到了最先进的性能，在单变量预测上达到了有竞争力的准确性。我们进一步提供了控制分析，检查模型如何解释时间结构、特征化选择如何影响准确性，以及在替代表格骨干下预测如何变化。总之，我们的结果表明，表格基础模型——当与合适的时间特征配对时——为预测提供了一种高效且多功能的替代方案，在统一框架内桥接了表格和时间序列学习。代码可在https://github.com/PriorLabs/tabpfn-time-series获取。
引用
@article{arxiv.2501.02945,
title = {From Tables to Time: Extending TabPFN-v2 to Time Series Forecasting},
author = {Shi Bin Hoo and Samuel Müller and David Salinas and Frank Hutter},
journal= {arXiv preprint arXiv:2501.02945},
year = {2026}
}
备注
This revision extends the previous version by adding evaluations on covariate-aware forecasting tasks, additional ablation studies, and a dedicated limitations section. It also substantially rewrites and reorganizes the manuscript to improve clarity and overall readability