KairosHope：基于双记忆架构的面向专业分类的下一代时间序列基础模型
机器学习
2026-05-26 v2 人工智能
摘要
时间序列基础模型（TSFM）在通用预测任务中展现出显著成功；然而，其对专业分类问题的适应仍受限于标准注意力的计算瓶颈以及对经典统计知识的系统性忽视。本技术报告介绍了 KairosHope，一种旨在调和大规模泛化与分类任务分析精度的下一代 TSFM。该方案的核心是 HOPE 块，该架构以双记忆系统取代二次注意力：用于动态短期记忆的 Titans 模块，以及用于抽象长期历史上下文的连续记忆系统（CMS）。为丰富归纳偏置，引入了混合决策头，将深度潜在表示与通过 tsfeatures 包提取的确定性统计特征相融合。KairosHope 在海量 Monash 档案上进行自监督预训练，结合了掩蔽时间序列建模（MTSM）与对比学习（InfoNCE）。其随后对 UCR 基准数据集的适应通过严格的线性探测与全微调（LP-FT）协议进行，以防止灾难性遗忘。实证结果表明，在具有严格时间因果关系的领域（如 HAR 或传感器数据）中表现出卓越性能。因此，KairosHope 为基础模型向时间序列分析的适应建立了一个稳健且高效的框架。
引用
@article{arxiv.2605.18657,
title = {KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture},
author = {Luis Balderas and José Alberto Rodríguez and Miguel Lastra and Antonio Arauzo-Azofra and José M. Benítez},
journal= {arXiv preprint arXiv:2605.18657},
year = {2026}
}