TopoPrimer：预测模型中缺失的拓扑语境
机器学习
2026-05-15 v1
摘要
我们提出TopoPrimer，一个将系列群体的全局拓扑结构作为显式输入到任何预测模型中的框架。TopoPrimer 在 diverse 领域中提高准确率，稳定了季节性需求峰值期间的预测，并缩小了冷启动差距。每个 domain 通过 persistent homology 和谱 sheaf 坐标预计算一次，每个 token 部署用于 fully-trained models，或作为 pre-trained backbones 的轻量级适配器。其中，sheaf 坐标是主要的准确率驱动因素。我们在 Chronos 和 TimesFM 上的四个公开基准测试中，TopoPrimer 一致地提高了预测准确率，ECL 上可实现最高7.3%的均方误差（MSE）降低。拓扑优势在 zero-shot 和 fine-tuned backbones 上保持近似相同的幅度，表明拓扑和 per-series 训练捕获的是互补的信号。该优势在困难的情境中最为显著。在需求季节性峰值期间，经典模型和 zero-shot 模型会降解最高可达50%，而TopoPrimer 仅在10%内。对于 cold start（即没有 item history 的情况），TopoPrimer 比拓扑自由基准方法将 MAE 降低27%。
引用
@article{arxiv.2605.15035,
title = {TopoPrimer: The Missing Topological Context in Forecasting Models},
author = {Zara Zetlin and Kayhan Moharreri and Maria Safi},
journal= {arXiv preprint arXiv:2605.15035},
year = {2026}
}
备注
29 pages, 16 figures