MEMTS：通过参数化记忆内化域知识实现无检索的时序基模型域适应
机器学习
2026-02-17 v1
摘要
虽然时序基模型（TSFMs）在广义预测中展现卓越性能，但在现实垂直领域中部署时常因时序分布迁移和领域特定周期结构而显著性能下降。当前解决方案主要受制于两大范式：域适应预训练（DAPT）提升短期域适应性，却因灾难性遗忘常扰乱已学习的全局时序模式；检索增强生成（RAG）引入外部知识，却带来显著检索开销。这构成严重的可扩展性瓶颈，无法满足实时流处理的高效需求。为突破困境，我们提出时序记忆（MEMTS），一种轻量级即插即用的方法，实现时序预测的无检索域适应。MEMTS 的关键组件是知识持久模块（KPM），它将域特定时序动力学（如循环季节模式和趋势）内化为一组紧凑的可学习潜在原型。由此，片段历史观测被转化为连续的参数化知识表示。这一范式转变使 MEMTS 能够以恒定时间推理和近乎零延迟实现精准域适应，同时有效缓解对通用时序模式的灾难性遗忘，无需对冻结的 TSFM 主干进行任何架构修改。多数据集上的大量实验表明，MEMTS 在性能上达到最新技术水平。
引用
@article{arxiv.2602.13783,
title = {MEMTS: Internalizing Domain Knowledge via Parameterized Memory for Retrieval-Free Domain Adaptation of Time Series Foundation Models},
author = {Xiaoyun Yu and Li fan and Xiangfei Qiu and Nanqing Dong and Yonggui Huang and Honggang Qi and Geguang Pu and Wanli Ouyang and Xi Chen and Jilin Hu},
journal= {arXiv preprint arXiv:2602.13783},
year = {2026}
}