摘要
时间序列基础模型在拥有非空历史窗口时展现出强大的迁移性能。然而，在真实的冷启动场景中，新增项没有先前观察，违反了这一假设。我们提出了RAID（检索增强迭代扩散）框架，替代基于历史的相关性学习，采用元数据驱动的语义检索和图条件扩散。RAID使用冻结的多语言嵌入模型将文本元数据映射到共享的语义空间，并构建一个归纳检索图，自然扩展到未见过的项目。
首先，通过聚合语义相关邻居的信息形成基础预测，然后利用门控扩散模块来细化该预测，以建模残余不确定性。在严格的真实冷启动协议下，RAID在预测准确性和预测区间覆盖率上均优于强大的基础模型和竞争基线，同时通过非自回归解码将推理延迟减少了一个数量级。共享的语义空间还支持零-shot跨语言迁移，使得在英语描述上训练的模型能够推广到其他语言描述的项目，而无需直接监督。
博主点评： RAID框架通过创新的语义检索和图扩散策略，成功解决了冷启动问题，展现了强大的跨语言迁移能力。这一方法的高效性和准确性为时间序列预测领域带来了新的可能性，值得深入研究与应用。