KairosHope：通过双记忆架构进行专业分类的下一代时间序列基础模型

时间序列基础模型 (TSFM) 在通用预测任务中取得了显着的成功；然而，它们对专门分类问题的适应仍然受到标准注意力的计算瓶颈和经典统计知识的系统性遗漏的限制。本技术报告介绍了 KairosHope，这是一种下一代 TSFM，旨在协调分类任务中的大规模泛化与分析精度。该提案的核心是 HOPE 块，这是一种用双记忆系统取代二次注意力的架构：用于动态短期保留的泰坦模块和用于抽象长期历史背景的连续记忆系统（CMS）。为了丰富归纳偏差，引入了混合决策头，它将深层潜在表示与通过 tsfeatures 包提取的确定性统计特征融合在一起。 KairosHope 在大量 Monash 档案上进行自我监督 预训练，结合了掩模时间序列建模 (MTSM) 和对比学习 (InfoNCE)。其随后对 UCR 基准数据集的适应是通过严格的线性探测和完整 微调 (LP-FT) 协议进行的，以防止灾难性遗忘。经验结果表明，在具有严格时间因果关系的领域（例如 HAR 或传感器数据）具有卓越的性能。因此，KairosHope 建立了一个强大而高效的框架，使基础模型适应时间序列分析。