Residual-Guided Multi-Resolution Refinement of Foundation Models: A Case Study in Drought Forecasting

📄 arXiv: 2607.17507v1 📥 PDF

作者: Wentao Gao, Jiuyong Li, Lin Liu, Thuc Duy Le, Jixue Liu, Yanchang Zhao, Yun Chen

分类: cs.LG

发布日期: 2026-07-20

备注: 23 pages, ICML2026 Accepted Paper(Poster)

💡 一句话要点

提出RGMR框架以改进气候预测中的时间序列模型

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 气候预测 时间序列模型 多分辨率分析 干旱预测 残差引导

📋 核心要点

  1. 现有时间序列基础模型在气候预测中面临单次推理的局限性，无法进行有效的多尺度分析和误差修正。
  2. RGMR框架通过引入残差引导的多分辨率精炼方法，实现了对预训练模型的结构化精炼，提升了预测精度。
  3. 在南澳大利亚的实验中，RGMR在干旱预测中将一个月前的标准化降水蒸发指数（SPEI）均方误差降低了最高18.9%。

📝 摘要（中文）

区域气候预测在时间序列基础模型中面临独特挑战，现有模型通常通过单次推理处理时间模式，而气候专家则采用多尺度时间分析和基于系统误差诊断的迭代精炼。本文提出RGMR（Residual-Guided Multi-Resolution Refinement）框架，旨在不更新主干参数的情况下，适应预训练基础模型以进行结构化的粗到细精炼。应用于干旱预测，RGMR在三个南澳大利亚站点及其他三个地区的测试集上均显著降低均方误差（MSE），为区域气候预测工作流中冻结时间序列基础模型的部署提供了实用路径。

🔬 方法详解

问题定义：本文旨在解决现有时间序列基础模型在气候预测中的单次推理限制，导致无法进行有效的多尺度分析和误差修正。

核心思路：RGMR框架通过引入残差引导的多分辨率精炼方法，允许在推理阶段对预训练模型进行结构化的粗到细精炼，从而提升预测的准确性。

技术框架：RGMR框架包括多个主要模块：首先是对输入数据进行多分辨率处理，然后通过残差引导机制进行迭代精炼，最后输出精确的气候预测结果。

关键创新：RGMR的核心创新在于其不需要更新主干模型参数的情况下，通过残差引导实现了有效的多尺度分析和精炼，显著区别于传统的单次推理方法。

关键设计：在设计中，RGMR采用了特定的损失函数以优化预测精度，并通过多种时间序列基础模型（如TimesFM、TimeGPT、TabPFN）进行验证，确保其架构无关性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，RGMR在南澳大利亚的三个站点上，针对一个月前的SPEI预测，均方误差（MSE）降低幅度最高达到18.9%，平均降低约18.7%。该框架在不同地区和模型上均表现出一致的性能提升，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括气候预测、农业管理和水资源管理等。RGMR框架能够有效提升干旱等极端气候事件的预测能力，为决策者提供更为准确的气候信息，具有重要的实际价值和未来影响。

📄 摘要（原文）

Regional climate prediction presents unique challenges for time series foundation models, which typically process temporal patterns through single-pass inference. Expert climatologists, in contrast, employ multi-scale temporal analysis and iterative refinement based on systematic error diagnosis. We present RGMR (Residual-Guided Multi-Resolution Refinement), an inference-time framework that adapts pre-trained foundation models to perform structured coarse-to-fine refinement for climate forecasting without updating backbone parameters. Applied to drought forecasting using the Standardized Precipitation Evapotranspiration Index (SPEI), RGMR is architecture-agnostic across the three TSFM backbones evaluated per site (TimesFM, TimeGPT, TabPFN) and consistently lowers test-set MSE on three South Australian sites and three additional regions outside South Australia. Applied to TimesFM, the wrapper reduces one-month-ahead SPEI MSE by up to 18.9\% across the three South Australian sites (mean reduction $\approx$18.7\%). Overall, RGMR provides a practical route for deploying frozen TSFMs in regional climate forecasting workflows.