AdaCast: Conditional Parameter Generation for Adaptive Time Series Forecasting

📄 arXiv: 2610.12240v1 📥 PDF

作者: Darahaas Nallagatla, Darryl Cherian Jacob, Pan He

分类: cs.LG, cs.AI

发布日期: 2026-10-08

💡 一句话要点

提出AdaCast以解决时间序列预测中的适应性问题

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

关键词: 时间序列预测 条件参数生成 自适应模型 低秩更新 零-shot学习

📋 核心要点

  1. 现有的时间序列预测方法无法根据输入的时间模式和动态特征进行有效的参数调整，导致预测性能受限。
  2. AdaCast通过生成输入特定的低秩参数更新，动态调整冻结的预训练模型，从而实现更好的适应性。
  3. 在六个公共基准测试中，AdaCast在领域内预测中表现优异，并显著提高了对未见数据集的零-shot泛化能力。

📝 摘要（中文）

时间序列基础模型（TSFMs）在各个领域的预测性能表现出色。然而，大多数适应方法仍然是静态的，现有的全能方法学习一组数据集级别的参数更新，并将相同的适应模型应用于每个输入。这导致模型无法根据每个时间序列的时间模式、季节性和动态特征调整参数，从而限制了其为异构输入生成量身定制预测的能力。为了解决这一限制，本文提出了AdaCast，一个用于时间序列预测的条件参数生成框架。AdaCast使用生成器为冻结的预训练TSFM生成特定输入的低秩参数更新。这些更新在训练和推理过程中都能使模型适应每个输入。在六个公共基准测试中，AdaCast在领域内预测中始终优于静态适应基线，并改善了对持出数据集的零-shot泛化能力。这些结果表明，条件参数生成为自适应预测提供了一种有效的方法。

🔬 方法详解

问题定义：本文旨在解决现有时间序列预测方法在面对异构输入时无法动态调整模型参数的问题。现有方法通常采用静态的参数更新策略，无法适应输入的时间模式、季节性和动态特征，导致预测效果不佳。

核心思路：论文提出的AdaCast框架通过条件参数生成的方式，利用生成器为每个输入生成特定的低秩参数更新。这种方法使得模型在训练和推理过程中能够根据输入的特征进行动态调整，从而提高预测的准确性和适应性。

技术框架：AdaCast的整体架构包括一个冻结的预训练TSFM和一个生成器模块。生成器负责根据输入数据生成低秩的参数更新，这些更新将应用于预训练模型，以适应特定的输入时间序列。

关键创新：最重要的技术创新在于条件参数生成的理念，允许模型在不同输入之间进行灵活调整。这与传统的静态参数更新方法形成鲜明对比，后者无法针对每个输入进行个性化的适应。

关键设计：在设计中，AdaCast使用低秩矩阵来表示参数更新，以减少计算复杂度。同时，损失函数的设计也考虑了输入的特征，以确保生成的参数更新能够有效提升模型的预测性能。具体的网络结构和参数设置在实验部分进行了详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在六个公共基准测试中，AdaCast在领域内预测中始终优于静态适应基线，具体表现为在多个数据集上提升了预测准确度，尤其在零-shot泛化能力方面，显著改善了对持出数据集的预测性能，展示了条件参数生成的有效性。

🎯 应用场景

该研究的潜在应用领域包括金融市场预测、气象数据分析和供应链管理等需要时间序列预测的场景。通过提高模型的适应性，AdaCast能够为不同类型的时间序列数据提供更准确的预测，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 (TSFMs) have achieved strong forecasting performance across domains. However, most adaptation methods remain static. Existing all-in-one methods learn a single set of dataset-level parameter updates and apply the same adapted model to every input. As a result, they cannot adapt the model parameters to the temporal patterns, seasonality and dynamics of each input time series. This limits their ability to produce forecasts that are tailored to heterogeneous inputs. To address this limitation, we propose AdaCast, a conditional parameter generation framework for time-series forecasting. AdaCast uses a generator to produce input-specific low-rank parameter updates for a frozen pretrained TSFM. These updates adapt the model to each input during both training and inference. Across six public benchmarks, AdaCast consistently outperforms static adaptation baseline in in-domain forecasting and improves zero-shot generalization to held-out datasets across domains. These results demonstrate that conditional parameter generation provides an effective approach for adaptive forecasting.