仅靠检索还不够：为冻结的时间序列预测器刷新记忆

arXiv:2610.07834v1 公告类型：new 摘要：检索增强的时间序列预测利用与当前上下文相似的历史片段的后续部分，作为预测器的参考。大多数现有方法仅从训练片段中构建一次检索记忆，使部署后产生的新观测无法作为参考，并且通常不会校准检索信息应在多大程度上影响冻结的预测器。我们确定了检索对冻结预测器有效性的两个关键决定因素：历史是否仍能反映当前状态，以及检索所诱导的修正是否与预测器的残差误差一致；当记忆变得陈旧时，这种一致性可能会在验证阶段与部署阶段之间发生变化。我们提出 FreshCast，这是一种即插即用的检索框架，保持预测器冻结，通过新观测持续更新非参数记忆，利用关系核回归形成记忆预测，并在验证片段上以闭式形式校准其权重。在一个简化的生成模型下，我们通过预测器误差与记忆修正之间的二阶关系刻画最优组合增益，并表明足够长的回溯窗口可能使周期性记忆信息变得冗余。在七个基准数据集和十种预测架构上，FreshCast 对每一种评估的预测器和输入长度都降低了平均 MSE：在输入长度为 96 和 720 时，降幅分别为 14.6% 和 5.6%；在各自的比较设置中，其 MSE 也低于所评估的检索增强基线和在线基线。消融实验表明，在训练结束时冻结记忆会消除大部分增益，说明训练后的观测是性能提升的主要来源之一。对于冻结的预测器，有用的历史参考必须保持时效性，并提供有助于修正其剩余误差的信息。