MetaCaster：元利用优化代理，用于轻量级时间序列预测器的端到端少样本学习

时间序列预测 (TSF) 正在向多模式和代理环境发展，但在资源有限的情况下使用基础模型仍然不经济，在这种情况下，更需要紧凑、专业的预测器。然而，轻量级预测器通常需要大量训练数据，这限制了它们在稀缺、缓慢积累或隐私敏感时间序列领域的使用。为了解决这个困境，我们研究了轻量级预测器的小样本学习这一具有挑战性的问题。我们提出了 MetaCaster，一种元利用优化的多智能体框架，它使用代理数据生成，仅通过几个示例和文本上下文自动训练专门的轻量级预测器。我们的工作强调了一种新的 TSF 范式，其中代理不是充当预报员，而是充当中间工程师，为部署准备高效的、针对特定任务的预报员。对 18 个数据集、23 个最先进的轻量级预测器和 14 个基线的实验表明，MetaCaster 在保持高质量 TSF 性能的同时，实现了数据效率和计算效率。