时间序列基础模型的专家指导预测编辑

时间序列基础模型可以在不进行特定任务训练的情况下跨异构领域进行预测，但它们的预测一旦生成就固定下来，不能直接纳入特定任务的专家反馈。我们研究专家指导的预测编辑：冻结的基础模型生成候选的未来轨迹，然后由昂贵的专家评估员对它们进行评分以指导预测修正。在紧张的查询预算下，两种自然策略处于相反的两端：best-of-$N$ 纯粹利用基础模型的预测分布，而优化方法主要将预测范围探索为非结构化高维向量。每个极端都是次优的。我们引入 \textbf{DEFT}，这是一个专家指导的预测编辑框架，它通过首先在分解的趋势-季节性空间中利用基础模型的预测样本，然后通过组件式细化来探索它们，从而平衡两者。 DEFT 仅向专家查询完整的轨迹，然后重复使用查询重组中出现的趋势和季节性成分的分数。这使得每个专家查询都可以提供结构化的组件级反馈，同时保持基础模型冻结。我们在匹配的专家查询预算下将 DEFT 与直接搜索方法进行比较，包括 best-of-$N$、交叉熵方法和贝叶斯优化。在由 78 个数据集、三个时间序列基础模型、四种反馈类型和七个查询预算组成的两个预测基准中，DEFT 不断提高专家指导的有效性。分子动力学案例研究进一步表明，同样的原理可以延伸到更多基于物理的反馈，支持这样的假设：稀疏的测试时间指导应该用于平衡先前的利用与结构化的探索。