arXiv cs.AI· Sourish Gunesh Dhekane, Abinaya Kumar, Torsten Woertwein, Yan-Bo Lin, Thomas Ploetz, Shabnam Ghaffarzadegan·· 10 小时前AI 评分29
量化时间序列基础模型在传感器数据应用中的采样频率不变性
Quantifying the Sampling Frequency Invariance of Time-Series Foundation Models for Sensor Data Applications
AI 导读
研究对 MOMENT、Chronos-2、Moirai-MoE 和 TimesFM 四款时间序列基础模型进行压力测试，量化其采样频率不变性，并提出 FSI、FDI、CDI 三个新指标分别衡量嵌入向量偏移、预测性能退化与下游性能退化。结果显示，采样频率不变性取决于信号原生采样频率与任务所需带宽之间的余量，且性能退化在多大程度上源于信息损失而非模型能力局限，可通过（信号 × 模型）组合来度量。
正文 · AI 翻译
摘要：时间序列基础模型（TSFMs）正越来越多地应用于传感器场景，而采样频率（SF）会因传感器、设备和运行模式（如节能模式）的不同而有所差异。理想情况下，只要 SF 仍保留任务关键带宽，TSFMs 在此类 SF 变化期间就应保持有效。本文对 4 个主流 TSFMs 进行压力测试：MOMENT、Chronos-2、Moirai-MoE 和 TimesFM，以量化其 SF 不变性，并研究其行为是否跟随由此产生的信息带宽损失，而非 SF 值本身。我们的压力测试从 3 个维度进行探测：(i) 嵌入的偏移，(ii) 预测性能的退化，以及 (iii) 下游性能的退化，分别由三个新指标量化：FSI、FDI 和 CDI。据我们所知，这是首个将 SF 不变性置于 TSFM 评估核心的研究。我们的结果刻画了：(i) SF 不变性如何取决于信号原生 SF 与其任务所需带宽之间的余量，(ii) TSFM 的选择能解释其中多少不变性，以及 (iii) 在较低 SF 下 TSFM 的性能退化中有多少反映的是信息损失，而非其能力局限。这些发现将 SF 不变性重新界定为（信号 × TSFM）对的一种可测量、感知信号的属性，并为实践者指导 TSFMs 何时表现出 SF 不变性。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.14425 [cs.LG] |
| （或 arXiv:2611.14425v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.14425 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sourish Gunesh Dhekane [查看电子邮件]
[v1]
2026年11月10日星期二 18:01:23 UTC（1,969 KB）
来源：arXiv cs.AI · arxiv.org