热点事件持续更新
研究者提出时间序列基础模型细粒度知识增强框架FKA
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年11月5日，研究人员在arXiv发布研究，提出面向时间序列基础模型（TSFM）的两阶段细粒度知识增强框架FKA。该框架通过构建趋势与季节性双分支残差码本来解耦预训练知识，以增强处于冻结状态的时间序列基础模型。在8个真实基准数据集以及4个代表性TSFM骨干模型上的实验结果表明，该方法兼具高预测性能与计算效率，且残差码本展现出较强的跨骨干模型迁移能力。目前，该研究的相关源代码已经开源。
AI 根据报道生成 · 1 小时前更新
最新进展11月5日 13:00
研究者提出两阶段细粒度知识增强框架FKA并开源代码，可有效增强冻结的时间序列基础模型。报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.LG解耦以复用：面向时间序列基础模型的细粒度知识增强
研究人员提出两阶段细粒度知识增强框架 FKA，通过构建趋势与季节性双分支残差码本解耦预训练知识，以增强冻结的时间序列基础模型（TSFM）。在 8 个真实基准数据集与 4 个代表性 TSFM 骨干模型上的实验表明，该方法兼具高预测性能与计算效率，且残差码本展现出强大的跨骨干模型迁移能力。相关源代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。