Expert-Guided Forecast Editing for Time-Series Foundation Models
作者: Hung Le, Minh Hoang Nguyen, Manh Nguyen, Huu Hiep Nguyen, Dai Do
分类: cs.LG
发布日期: 2026-07-22
备注: preprint 34 pages
💡 一句话要点
提出DEFT框架以优化时间序列预测中的专家反馈整合
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 时间序列预测 专家反馈 基础模型 预测编辑 DEFT框架 趋势-季节性分解 组件级细化 优化方法
📋 核心要点
- 现有的时间序列预测方法在生成固定预测后，无法有效整合专家的反馈，导致预测效果受限。
- 本文提出的DEFT框架通过在分解的趋势-季节性空间中利用基础模型的预测样本，并进行组件级的细化探索，优化了专家反馈的整合过程。
- 在78个数据集的两个预测基准上，DEFT相较于其他方法如最佳选择、交叉熵方法和贝叶斯优化，均表现出显著的提升效果。
📝 摘要（中文）
时间序列基础模型能够在异构领域进行预测，但其生成的预测结果是固定的，无法直接融入任务特定的专家反馈。本文研究了专家引导的预测编辑，提出了一种名为DEFT的框架，该框架在利用基础模型的预测样本的同时，通过组件级的细化探索来平衡专家反馈的利用与探索。DEFT在多个预测基准上表现出色，显著提升了专家指导的有效性。
🔬 方法详解
问题定义：本文旨在解决时间序列基础模型在生成固定预测后，无法有效融入专家反馈的问题。现有方法如最佳选择和优化方法在专家查询预算紧张的情况下，表现出各自的不足，导致预测效果不佳。
核心思路：DEFT框架的核心思想是通过在趋势-季节性空间中利用基础模型的预测样本，并进行组件级的细化探索，来平衡专家反馈的利用与探索。这样设计的目的是为了在保持基础模型不变的情况下，最大化专家反馈的有效性。
技术框架：DEFT框架包括两个主要阶段：首先，利用基础模型生成的预测样本进行趋势和季节性分解；其次，在这些样本周围进行组件级的细化探索。专家仅对完整的轨迹进行评分，从而复用趋势和季节性组件的评分。
关键创新：DEFT的创新在于其结构化的反馈整合方式，通过组件级的细化探索，使得每次专家查询都能提供更具结构性的反馈，显著提升了预测效果。与现有方法相比，DEFT在利用专家反馈时更具灵活性和有效性。
关键设计：DEFT在设计上强调了专家查询的高效利用，采用了分解的趋势-季节性空间来进行预测样本的生成和细化，确保了每次专家反馈都能针对具体的组件进行优化。
🖼️ 关键图片
📊 实验亮点
在78个数据集的实验中，DEFT框架在专家反馈的有效性上表现优异，相较于最佳选择、交叉熵方法和贝叶斯优化等基线方法，均实现了显著的性能提升，证明了其在时间序列预测中的有效性。
🎯 应用场景
该研究的潜在应用领域包括金融市场预测、气候变化分析以及任何需要时间序列预测的领域。通过有效整合专家反馈，DEFT框架能够提高预测的准确性和可靠性，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Time-series foundation models can forecast across heterogeneous domains without task-specific training, but their forecasts are fixed once produced and cannot directly incorporate task-specific expert feedback. We study expert-guided forecast editing: a frozen foundation model generates candidate future trajectories, and an expensive expert evaluator scores them to guide forecast revision. Under a tight query budget, two natural strategies sit at opposite ends: best-of-$N$ purely exploits the foundation model's predictive distribution, while optimization approaches mostly explore the forecast horizon as an unstructured high-dimensional vector. Each extreme is individually sub-optimal. We introduce \textbf{DEFT}, an expert-guided forecast editing framework that balances the two by first exploiting the foundation model's predictive samples in a decomposed trend--seasonal space, then exploring around them via component-wise refinement. DEFT queries the expert only on complete trajectories, then reuses scores for the trend and seasonal components that appeared in the queried recombinations. This lets each expert query provide structured component-level feedback while keeping the foundation model frozen. We compare DEFT against direct search approaches, including best-of-$N$, cross-entropy methods, and Bayesian optimization, under matched expert-query budgets. Across two forecasting benchmarks consisting of 78 datasets, three time-series foundation models, four feedback types, and seven query budgets, DEFT consistently improves the effectiveness of expert guidance. A molecular-dynamics case study further suggests that the same principle extends to more physically grounded feedback, supporting the hypothesis that sparse test-time guidance should be spent balancing prior exploitation with structured exploration.