利用真实世界视频揭示时间序列基础模型的零样本泛化差距
人工智能
2025-12-01 v2
摘要
近期关于时间序列基础模型 (TSFMs) 的研究强调了真实世界数据的稀缺性，现有数据集通常用合成来源进行补充，但其泛化性仍存在争议。因此，在这项工作中，我们提出了一种新颖的基准测试方法：特别是，我们旨在构建一个反映真实世界物理时间动态的精选数据集，利用光流从真实世界视频中提取时间信号。为此，我们引入了 REAL-V-TSFM，这是一个旨在捕获源自真实世界视频的丰富多样时间序列的新颖数据集。在零样本预测下对最先进的 TSFM 进行的实验结果表明，尽管这些模型在传统基准上表现强劲，但在我们提出的数据集上表现出性能下降，这表明它们对新数据集的泛化能力有限。这些发现强调了获取时间序列数据的新方法的必要性，并突显了近期 TSFM 缺乏普适性，同时进一步验证了我们基于视频的时间序列数据提取流程的有效性。
引用
@article{arxiv.2509.26347,
title = {Uncovering Zero-Shot Generalization Gaps in Time-Series Foundation Models Using Real-World Videos},
author = {Lujun Li and Lama Sleem and Yiqun Wang and Yangjie Xu and Niccolò Gentile and Radu State},
journal= {arXiv preprint arXiv:2509.26347},
year = {2025}
}
备注
This paper has been accepted by Artificial Intelligence for Time Series Analysis (AI4TS) Workshop @ AAAI 2026: Theory, Algorithms, and Applications