RAID：用于真正冷启动和跨语言预测的语义图扩散

摘要

当给定非空历史窗口时，时间序列基础模型显示出强大的传输性能。然而，在真正的冷启动场景中，新项目没有先前的观察结果，违反了这一假设。我们提出了 RAID（检索增强迭代扩散）框架，该框架用元数据驱动的语义检索和图条件扩散取代基于历史的相关学习。 RAID 使用冻结的多语言嵌入模型将文本元数据映射到共享语义空间，并构建一个归纳检索图，该图自然扩展到看不见的项目。它首先通过聚合来自语义相关邻居的信息来形成基本预测，然后使用门控扩散模块完善该预测以对残余不确定性进行建模。在严格的真正冷启动协议下，RAID 在预测精度和预测区间覆盖范围方面均优于强大的基础模型和竞争基线，同时通过非自回归解码将推理延迟降低了一个数量级。共享语义空间还可以实现零样本跨语言迁移，允许在英语描述上训练的模型在没有直接监督的情况下泛化到用其他语言描述的项目。