TS-Memory: 适用于时间序列基础模型的即插即用记忆模块

时间序列基础模型（TSFMs）通过大规模预训练实现了强大的零样本预测能力，但在分布偏移下适应下游领域仍具挑战性。现有解决方案面临权衡：参数化适配会导致灾难性遗忘并需要高昂的多领域维护成本，而非参数化检索虽能提升预测效果，但因数据存储搜索带来高推理延迟。本文提出参数化记忆蒸馏方法，并实现为TS-Memory，一种轻量级的记忆适配器，用于增强冻结的TSFMs。TS-Memory分为两个阶段进行训练：首先构建一个离线且无泄漏的kNN教师模型，从检索到的未来数据中合成置信度感知的分位数目标；其次通过置信度门控监督，将检索诱导的分布校正蒸馏至轻量记忆适配器中。在推理过程中，TS-Memory以常数时间开销融合记忆与主干网络的预测结果，实现无需检索的部署。实验表明，在多种TSFMs和基准测试中，TS-Memory在点预测和概率预测方面均优于代表性适配方法，且效率与冻结主干相当。