#前沿科技|中科院科学家研究提出一种新型时间序列预测框架
大语言模型进行时间序列预测时面临一项主要挑战：预训练文本与时间序列数据在分布与结构上存在显著差异。传统方法通常采用全量微调来减少这种差异，但其训练成本高、显存占用大，限制了实际应用。
为解决这一问题，中国科学院科学家团队为提升大语言模型时间序列预测性能，提出一种向量注入式上下文学习框架[强]
该框架在稳定提升时间序列预测性能的同时，还能显著降低计算开销。研究团队提出一种引入上下文学习的方法Vector-Injected In-Context Learning（LVICL）。该方法通过在输入提示中引入任务示例，使模型无需更新参数即可实现“类似微调”的效果。为提升上下文学习对示例选择与顺序敏感的不稳定问题，该方法首先提取示例的向量表示，并以置换不变的方法进行聚合，从而消除顺序敏感性。随后，采用轻量适配器对聚合后的上下文向量进行精练，抑制其中可能干扰预测的分量，增强对示例选择的鲁棒性。最后，将优化后的向量注入到大语言模型各层的残差流中，以可控方式引导模型进行预测。LVICL的总体框架
研究团队在多个时间序列预测基准数据集上对LVICL进行了系统评估。实验表明，LVICL在保持 LLM 完全冻结、训练开销显著降低的前提下，能够稳定复现并进一步放大上下文学习带来的收益。与轻量微调方法相比，LVICL在多种数据集与实验设置下均表现出更强的预测能力，并在效率与性能的平衡上展现出更好的实用性[强]『软件所提出一种新型时间序列预测框架』http://t.cn/AXSe4ZFM