arXiv cs.AI· Jinjin Chi, Lei Feng, Yiming Wang, Lulu Zhang, Yongcheng Jing, Chenyi Li, Ximing Li·· 9 天前AI 评分22
ROAR：面向零样本时间序列预测的检索机会感知精炼框架
ROAR: Retrieval Opportunity-Aware Refinement for Zero-Shot Time Series Forecasting
AI 导读
ROAR 是一个面向零样本时间序列预测的检索机会感知精炼框架，其训练目标根据基础预测难度和检索候选带来的相对提升，对查询分配差异化权重。ROAR 先学习聚合对齐的历史候选，再用学习到的门控控制其对固定基础预测器的修正强度，随后联合校准预测模块与门控。在七个基准上，ROAR 取得对比方法中最低的平均 MSE，并在多种骨干模型和检索增强预测器上实现平均预测提升。
正文 · AI 翻译
摘要：检索增强为时间序列预测器提供了历史延续，然而即便是优于基础预测的候选，也未必能改善最终预测。我们提出 ROAR，一种面向零样本时间序列预测的检索机会感知精炼框架。为更好地利用这些改进机会，其训练目标根据基础预测难度以及检索候选所提供的相对改进，在查询之间分配额外的侧重。利用该目标，ROAR 首先学习聚合对齐的历史候选，并使用学习到的门控来控制其相对于固定基础预测器的修正强度。随后，它联合校准预测模块与门控以协调二者的贡献，同时将组合预测锚定到第一阶段精炼输出。我们推导出精炼增益与机会加权训练损失的精确分解，并在局部线性化下刻画了联合校准带来的额外增益。在七个基准上的实验表明，ROAR 在所比较的方法中取得了最低的平均 MSE。进一步评估显示，在多个骨干网络系列和检索增强预测器上均取得了平均预测改进。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.24911 [cs.LG] |
| （或本版本的 arXiv:2605.24911v2 [cs.LG]） | |
| https://doi.org/10.48550/arXiv.2605.24911 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jinjin Chi [查看邮箱]
[v1]
2026年5月24日星期日 07:31:55 UTC（9,550 KB）
[v2]
2026年10月8日星期四 02:36:07 UTC（103 KB）
来源：arXiv cs.AI · arxiv.org