In-Context 预训练时间序列基础模型适应未见任务
机器学习
2026-02-25 v1
摘要
时间序列基础模型 (TSFMs) 在不同数据集和任务上已显示出强大的泛化能力，但现有基础模型通常针对特定任务进行预训练，难以在无需微调的情况下适应未见任务。为此，我们提出通过引入 In-Context Learning (ICL) 能力来增强 TSFMs，使其能够通过动态适应输入-输出关系在测试时进行推理。我们的框架称为 In-Context Time-series Pre-training (ICTP)，重新结构化原始预训练数据，为 backbone TSFM 注入 ICL 能力，实现对未见任务的适应。实验表明，ICT 在未见任务上的性能提升约为 11.4%，无需额外微调。
引用
@article{arxiv.2602.20307,
title = {In-context Pre-trained Time-Series Foundation Models adapt to Unseen Tasks},
author = {Shangqing Xu and Harshavardhan Kamarthi and Haoxin Liu and B. Aditya Prakash},
journal= {arXiv preprint arXiv:2602.20307},
year = {2026}
}