论文
了解错误的背景：时间序列基础模型的黑盒在线适应
Learning the Context of Errors: Black-Box Online Adaptation of Time Series Foundation Models
摘要
时间序列基础模型 (TSFM) 的快速发展促进了跨不同领域的零样本预测。受 大语言模型 当前形式的启发，未来的 TSFM 可能会作为商业化的闭源 API 服务提供。然而，许多现有的在线自适应方法仍然依赖于参数 微调 或梯度反向传播的白盒访问。这种范式不匹配提出了一个问题：在 TSFM 的黑盒在线适应中，我们应该学习什么？我们用一个见解来回答这个问题：基本模型的预测误差取决于基本模型的输入和输出（即错误的上下文）。为了验证这一见解，我们提出了 ORCA（在线残差语境适应）。我们在 5 个最先进的 TSFM 和 8 个数据集上进行了广泛的实验，以证明我们方法的有效性。此外，通过消融研究，我们定量分析了黑盒在线适应中不同适配器学习假设对最终适应性能的影响。代码可在 https://github.com/Fifthky/ORCA 获取。