Reverso：高效时间序列基础模型用于零样本预测
机器学习
2026-02-20 v1 人工智能
摘要
学习时间序列基础模型已被证明是实现跨不同时间序列领域零样本预测的有前景的方法。鉴于在语言和视觉等其他模态中，规模扩大是基础模型性能的关键驱动力，近期大量研究聚焦于时间序列基础模型的规模扩大。这导致构建了拥有数亿参数的时间序列基础模型，虽然表现良好，但在实际操作中效率低下且成本高昂。本文描述了一种简洁的配方，用以学习适用于零样本时间序列预测的高效基础模型，规模比传统方法小几个数量级。我们表明，大规模 Transformer 并非必需：小型混合模型通过交错长卷积和线性 RNN 层（特别是 DeltaNet 层）即可匹配更大规模 Transformer 模型的性能，同时参数规模是其的数百倍。我们还描述了若干数据增强与推理策略，以进一步提升性能。该配方构建的 Reverso 系列时间序列基础模型，显著推动了性能-效率帕累托 Frontier 的前沿。
引用
@article{arxiv.2602.17634,
title = {Reverso: Efficient Time Series Foundation Models for Zero-shot Forecasting},
author = {Xinghong Fu and Yanhong Li and Georgios Papaioannou and Yoon Kim},
journal= {arXiv preprint arXiv:2602.17634},
year = {2026}
}