时间序列预测的高效预训练模型组合
机器学习
2026-02-13 v2
摘要
在思考‘大模型是否总是更好’的背景下，我们探索了单一大型单一模型训练的另一种选择：构建由多个小型预训练预测模型组成的组合。通过对这些组合应用集成或模型选择，我们在大规模基准测试上实现了与单一大模型相当的性能，却使用了远少的模型参数。我们探索了构建此类组合的策略，发现专家模型集合持续优于独立训练的通用模型组合。令人惊讶的是，我们证明了通过后训练基础模型可高效创建足够多样化的专家模型，并提供证据表明集成和模型选择比测试时微调更高效。
引用
@article{arxiv.2510.06419,
title = {Test-Time Efficient Pretrained Model Portfolios for Time Series Forecasting},
author = {Mert Kayaalp and Caner Turkmen and Oleksandr Shchur and Pedro Mercado and Abdul Fatir Ansari and Michael Bohlke-Schneider and Bernie Wang},
journal= {arXiv preprint arXiv:2510.06419},
year = {2026}
}
备注
Accepted as an ICLR 2026 conference paper