跳到正文
只看模型架构#Foundation Model
10月9日周五
  1. arXiv · 时序与音频基础模型73

    AdaCast：用于自适应时间序列预测的条件参数生成

    基于摘要分析。AdaCast 针对时间序列基础模型（TSFM）的静态适应问题，提出条件参数生成框架：根据每个输入生成低秩参数更新，使冻结的预训练模型能够针对不同时间模式、季节性与动态特征进行预测。 核心机制是由生成器产生输入特定的低秩参数更新，并在训练和推理阶段应用这些更新。与为整个数据集学习一组固定更新、对所有输入使用同一适应模型的方案相比，其关键区别在于参数适应随输入变化。摘要未说明生成器结构、条件输入形式、更新作用位置、低秩设置及训练目标，这些细节尚未验证。 作者报告，在六个公开基准上，AdaCast 的域内预测表现持续优于静态适应基线，并改善了对跨领域留出数据集的零样本泛化。摘要未提供基准名称、指标、提升幅度或具体数据划分，不能据此量化收益或比较不同协议；实验协议、消融及统计信息尚未验证。复现还需核对预训练 TSFM、生成器训练所用数据、留出数据集与训练数据的关系，以及训练和推理的计算开销。 平台推测（待验证）：输入条件化更新可能用于缓解 EEG 时序预测中不同被试或状态造成的动态异质性，但原领域有效不等于 BCI 有效。可复用的部分是冻结主干与条件低秩更新机制；需改造输入表示、通道组织和预测目标，并确认 EEG 数据规模与监督条件能否支持生成器训练。低信噪比、通道差异及小数据可能使生成器追随伪迹而非稳定动态。一个可证伪的小实验是在固定 EEG 预测主干、训练数据与更新预算下，对比静态低秩更新和输入条件化更新，采用被试隔离的 Cross-subject 划分并检查误差与伪迹敏感性。相关 EEG 工作尚未检索确认。

    阅读价值：值得核对输入条件化低秩参数更新相较静态适应的增益及其跨数据集泛化边界；摘要提供了明确机制，但其对 EEG 的适用性尚未验证。

10月7日周三
  1. arXiv · 时序与音频基础模型70

    WxFM-XL：将单变量基础模型适配于多站点天气预测

    基于摘要分析。该研究关注如何将单变量时序基础模型适配于多站点天气预测，提出 WxFM-XL，以跨站点误差相关性先验图和空间相关图的动态融合，同时建模站点空间关系及各站点相对于基础模型的误差先验。 核心机制：摘要以 Sundial、Timer 为单变量时序基础模型的例子，指出已有多变量扩展主要关注变量间相关性，可能忽略站点空间信息与站点间不同的误差先验。WxFM-XL 引入跨站点误差相关性先验图，并通过动态融合机制自适应整合该图与空间相关图。其具体图构建方式、误差先验的估计数据、融合实现、训练目标及基础模型适配策略尚未验证；不能据此认定它实际采用了上述哪个基础模型。 结果与证据边界：作者报告，在多个数据集上优于当前最先进的对照基线。摘要未提供数据集名称、划分方式、预测时域、评价指标或数值，因此尚不能判断收益大小及适用范围。实验协议、消融及统计信息尚未验证；复现需核对先验估计所用数据范围、训练与测试划分，以及两类图各自的贡献。 平台推测（待验证）：迁移假设是，多通道 EEG 中也可能存在基础模型在不同通道上的系统性误差关系，可将其与电极空间关系融合，用于多通道时序预测。该路径依赖通道布局及可用于估计误差相关性的参考数据；图融合思路可能可复用，但站点图需改为电极图，并适配 EEG 的时间尺度。低信噪比、伪迹、跨被试差异、通道变动和小数据可能使误差图不稳定，且空间邻近不必然对应功能相关。一个可证伪的小实验是在固定通道布局的 EEG 预测任务中，仅用训练数据估计误差图，对比空间图、误差图与动态融合，并分别评估被试内和跨被试表现。该实验不等同于验证 BCI 解码效果；相关 EEG 工作尚未检索确认。

    阅读价值：值得关注其以基础模型的站点误差相关性补充空间关系、再动态融合两类图的适配机制，但性能优势及向 EEG 的迁移价值尚需验证。

10月4日周日
  1. arXiv · 时序与音频基础模型73

    GRAM：通过图检索幅度记忆校正冻结的时序基础模型

    基于摘要分析。GRAM 针对冻结时序基础模型（TSFM）的预测校正问题，提出检索增强框架：不直接复用相似历史窗口的真实未来值，而是从历史预测误差中提取可重复的系统性偏差，用于修正当前预测。 核心机制：作者认为，历史真实未来值既包含基础模型已经捕获的可预测成分，也包含难以迁移的样本特异性随机波动；相比之下，重复出现的模型偏差更直接反映冻结模型的失效模式。Amplitude Memory Module（AMM）按幅度缩放预测误差，并将其聚合为可检索原型，以处理不同数值尺度下误差难以比较的问题。Prototype Graph Module（PGM）建模原型间关系，聚合一致的偏差信息并抑制随机波动。在线预测时，GRAM 检索并扩展与当前查询相关的原型，为各预测步生成校正量，细化原始 TSFM 输出。摘要未给出幅度定义、原型构建规则、图连接方式或校正器训练细节。 结果与核对事项：作者报告，在多个数据集和基础模型上获得一致的预测改进，但摘要未提供数据集名称、指标、数值、划分或对照配置，不能据此判断收益大小与统计稳定性。实验协议、消融及统计信息尚未验证；复现时需核对历史误差记忆的构建时间范围、在线可用信息、记忆更新机制，以及 AMM 与 PGM 的独立贡献。 平台推测（待验证）：若 EEG 连续信号预测存在可重复的模型偏差，该机制可能用于冻结预测模型的残差校正，但不等同于已验证的 BCI 解码收益。其依赖具有真实后续观测的历史窗口和相对稳定的误差结构；可复用误差原型与图聚合思路，需改造多通道幅度处理及被试、会话间检索策略。低信噪比、通道差异和小数据可能使原型主要反映噪声或个体差异。可在严格按时间划分的单一 EEG 连续预测任务中，对比冻结模型、直接残差检索和 GRAM 式校正，检验图聚合是否带来稳定收益。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 GRAM 将检索对象从历史真实未来值转向模型误差原型的设计，尤其是幅度归一化与图聚合能否稳定提取冻结模型的系统性偏差；具体收益及适用边界尚未验证。

10月3日周六
  1. arXiv · 时序与音频基础模型73

    QiYao-I：用于不规则多变量时间序列预测的基于流形的基础模型

    基于摘要分析。QiYao-I 面向不规则采样、变量间异步记录的多变量时间序列预测，试图解决主要建立在规则采样序列上的时序基础模型难以处理不规则时间间隔与异步变量依赖的问题。其核心贡献是采样条件化的时间流形注意力，以及具有频率感知能力的动态变量交互机制。 机制方面，前者将真实时间戳映射到可学习的时间流形特征空间，并向注意力层注入时间流形偏置，以表征不规则时间间隔和局部采样结构；后者在异步观测条件下选择性地进行跨变量消息传递。摘要未说明流形的具体定义、频率感知的实现、消息传递的选择规则或训练目标，这些细节尚未验证。 作者报告，在真实世界的不规则多变量预测基准上，QiYao-I 相比时序基础模型和端到端不规则预测模型取得更优表现，并在零样本、少样本设置下展现较强泛化能力。摘要未提供数据集名称、划分方式、指标、具体数值及基线配置，因此无法判断优势幅度或比较条件；预训练数据规模、实验协议、消融及统计信息尚未验证，模型权重与研究实现的可用性也尚未验证。 平台推测（待验证）：若 EEG 或多模态神经记录存在缺测、不同采样率或异步时间戳，这两类机制可能用于保留真实时间结构、减少强制重采样造成的信息损失；但这是假设，不构成已验证的 BCI 效果。可考虑复用时间戳编码与异步消息传递，需改造通道表示、采样条件及任务输出。低信噪比、跨被试差异和小数据可能使采样结构成为伪相关，而同步、规则采样 EEG 未必受益。一个可证伪的小实验是在固定被试划分的 EEG 预测任务中引入可控缺测和时间抖动，对比保留真实时间戳与规则重采样的方案，并检验优势是否随不规则程度变化。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其如何将真实时间戳与采样结构纳入注意力、并在异步观测下建模变量交互；作者报告的零样本与少样本优势仍需结合全文中的数据划分、基线及统计信息核对。