基于 in-context 微调的时间序列基础模型轻量级数据估值方法
机器学习
2026-03-11 v2 人工智能
摘要
时间序列基础模型（TSFMs）因在大规模多样化时间序列数据上的预训练而显示出日益增强的能力。因此，时间序列数据的质量对 TSFMs 性能至关重要，准确且高效的数据估值对 TSFMs 至关重要。然而，传统数据估值方法（如影响函数）因其规模不足以适应不断增大的 TSFM 模型规模，常常无法保留时间依赖性。在本文中，我们提出了 LTSV（Lightweight Time Series Valuation on TSFMs via in-context finetuning），通过 in-context 微调估计样本贡献，通过衡量 in-context 微调后上下文损失的变化来实现数据估值，利用 TSFMs 的强大泛化能力产生稳健且可迁移的数据估值。为捕捉时间依赖性，我们引入时间块聚合，将重叠时间窗口上的每个块影响分数整合在一起。跨多个时间序列数据集和模型的实验表明，LTSV 持续提供可靠且强大的估值性能，同时保持可管理的计算要求。我们的结果表明，in-context 微调为时间序列学习中的数据归因与模型泛化之间提供了一种实用且有效的桥梁。
引用
@article{arxiv.2511.11648,
title = {Lightweight Time Series Data Valuation on Time Series Foundation Models via In-Context Finetuning},
author = {Shunyu Wu and Tianyue Li and Yixuan Leng and Jingyi Suo and Jian Lou and Dan Li and See-Kiong Ng},
journal= {arXiv preprint arXiv:2511.11648},
year = {2026}
}
备注
Accepted as a full paper at DASFAA 2026 (The 31st International Conference on Database Systems for Advanced Applications)