时序基础模型的衰减上下文识别与合成修复
Attenuated in-context identification in time-series foundation models: diagnosis under counterfactual inputs and repair by synthetic forced-system fine-tuning
摘要
协变量感知时间序列基础模型 (TSFM) 为仪表化工厂提供了 无需训练假设答案：不同的未来输入将导致输出变化。我们在具有精确反事实的强制工程系统上对此进行了测试，将 Chronos-2、TimesFM-2.5 和 TabPFN-TS 与适合相同上下文的经典系统识别进行比较。通过其默认协变量接口，TimesFM-2.5 和 TabPFN-TS 是无记忆的：输入更改的预测效果是该更改的同时函数（TimesFM-2.5 为 $R^2 = 1.000$）。 Chronos-2 识别背景中的动态，但削弱它们。其预测效果是真实效果的 0.33-0.80，其恢复的脉冲响应具有错误的形状，并且其在一自由度振荡器上的误差对于 8192 个上下文样本稳定在 0.57，其中 ARX 拟合到 256 个样本达到 0.02。推理时的上下文抖动可降低所有六个合成类（无需训练）的假设错误。合成受力系统上的 26 分钟微调恢复了响应幅度（灵敏度 0.83-0.96），并且优于 Wiener-Hammerstein 和 保留测试 摩擦等级的结构不可知识别。在相同数据上训练的专门上下文标识符非常接近，因此强制系统数据带来了大部分增益。在四分之三的测量植物中，经典识别仍然明显更好，并且微调模型失去了部分单变量预测技能。成对的反事实输入以及测量记录上的打乱的未来输入测试两个属性：协变量接口是否可以表示动态以及预训练先验是否涵盖工厂的时间尺度。只有反事实对才会暴露衰减。