TSFMAudit：预测时间序列基础模型中的数据污染审计

时间序列基础模型 (TSFM) 越来越多地在大型语料库上进行预训练，这引起了人们的担忧，即评估数据集可能在预训练期间暴露，从而产生过于乐观的性能估计。在时间序列中审计此类污染具有挑战性，因为信号是连续且异构的，并且通常缺乏语料库文档。据我们所知，这是第一项研究 TSFM 训练前污染审计的工作。我们形式化了 TSFM 的预训练污染审计问题，并提出了 TSFMAudit，一种基于探针自适应动态的方法。我们的主要直觉是，污染表现为异常有效的适应：在 微调 探测之后，受污染的数据集往往会表现出更快的损失减少和更小的主干移动。我们使用记录的训练源证据作为监督，在 6 个 TSFM 和 187 个数据集上评估 TSFMAudit，并与改编自 LLM 文献的 10 个竞争基线进行比较。