TimeNet：用于下一代时态基础模型的可扩展统一数据基础设施

时间基础模型 (TFM) 旨在跨领域、数据集和任务进行泛化。然而，它们的发展仍然受到分散的、特定于任务的数据格式、注释和处理管道的限制。我们引入了 TimeNet，这是一种开源数据标准和可扩展的基础设施，它将时态数据与任务定义解耦，并在共享的可扩展数据模型中表示信号、元数据、注释和监督。 TimeNet 支持具有规则、不规则或顺序时间轴的多模态信号，并将不同的任务系列（包括分类、预测、时间定位、问答、生成和编辑）表示为同一记录上的可重用视图。这种共享表示可以将异构时间序列数据集组合起来，形成跨领域、模式和任务的大规模模型训练。我们通过跨不同领域、模式、时间尺度和监督形式的 150 万个任务实例对数据集进行转码来演示 TimeNet，同时保留相对于本机格式的实际 I/O 性能。 TimeNet 使现有的 TFN 训练管道能够仅通过配置更改来支持可配置数量的异构数据集上的联合训练。我们通过训练 TFM 在多个数据集和任务中展示了这种功能，与在单个数据集上训练的模型相比，F1 分数提高了 14%。这些结果表明，TimeNet 提供了超越特定于任务和数据集的 TFM 所需的数据和系统基础，转向可以通过通用数据模型跨异构域、模式、时间尺度和监督形式进行联合学习的模型。