RACE：用于邻域丰富时间序列基础模型预测的残差感知测试时间适应

时间序列基础模型 (TSFM) 在预测任务中表现出色，但它们的每序列推理不适合邻域丰富的预测，其中每个查询都可以访问相关但不相同的历史序列。连续血糖监测 (CGM) 和 Web/云工作负载就是这种设置的例证：CGM 轨迹共享生理模式，但因个人、设备和条件而异，而 Web/云工作负载将常见的操作模式与非平稳性、重尾和突发相结合。这些历史具有有用的结构，但相邻历史的相关性却不尽相同。现有方法要么针对每个目标域微调 TSFM，从而产生额外成本并提供有限的跨主干网可转移性，要么附加检索到的序列而不验证它们是否支持当前预测。关键挑战是相邻序列的剩余证据相互矛盾，以及随 TSFM 和预测任务而变化的剩余模式。我们制定了测试时邻域缩放：使用同域邻域证据而不修改主干网。我们提出了 RACE（预测误差的残差感知校正），这是一个使用历史邻居的两阶段框架。我们首先检索查询兼容的邻居，将其残差与查询规模对齐，并将一致的证据聚合到免训练的 RACE-TF 校正中。然后，Full RACE 使用轻量级、特定领域的 Gate 来确定何时应用校正是有益的，并在 TSFM 主干上提供可重用的训练工作流程。在四个 TSFM 中，RACE 改进了两个主域上的所有三个域聚合指标，其中高错误查询的收益最大。在每个域内，在一个 TSFM 上训练的 Gate 会在不进行调整的情况下转移到其他骨干网，并且生成的管道改进了与匹配的冻结目标相比的所有 72 个跨骨干网度量比较。