Unified Zero-Shot Time Series Forecasting: A Darts Foundation

Resumo Técnico: Unificação de Modelos de Fundação de Séries Temporais Zero-Shot: Uma Base para o Darts

Declaração do Problema
Os Modelos de Fundação de Séries Temporais (TSFMs) emergiram como previsores generalistas poderosos, capazes de predição zero-shot em dados não vistos sem treinamento específico para a tarefa. Apesar de seu potencial para substituir modelos especializados, os TSFMs são atualmente distribuídos como pacotes isolados com interfaces fragmentadas, interoperabilidade limitada e comportamentos divergentes (por exemplo, na amostragem probabilística). Esse isolamento força os usuários a adaptar retroativamente as pipelines de previsão existentes para cada API idiossincrática, levando a conflitos de dependências, esforços duplicados em ferramentas (como reamostragem e avaliação) e dificuldades na avaliação conjunta ou em ensembles.

Metodologia
Os autores abordam essas questões de fragmentação integrando os TSFMs ao Darts, uma biblioteca estabelecida de Python para análise de séries temporais de código aberto. A principal contribuição metodológica é o desenvolvimento de uma coleção unificada de classes FoundationModel.

• Arquitetura Unificada: A classe FoundationModel estende a TorchForecastingModel (a base para modelos nativos em PyTorch no Dars) sem adicionar métodos extras, garantindo dependências externas mínimas. Ela utiliza o backend PyTorch Lightning para os loops de treinamento e inferência, expondo controle refinado sobre aceleração de hardware e interrupção precoce (early stopping).
• Interfaces Padronizadas: A implementação fornece um fluxo de trabalho consistente onde fit() deve ser chamado antes de predict(), mesmo para cenários zero-shot, para impor ingestão de dados e verificações de sanidade uniformes. O sistema utiliza o contêiner imutável TimeSeries do Darts, que lida com dados indexados no tempo em 3D e garante a conversão perfeita de/para DataFrames do pandas e arrays NumPy.
• Mecanismo de Integração: Para provedores de TSFM, a integração requer apenas dois passos: subclassar um PLForecastingModule para definir o forward pass e subclassar FoundationModel para implementar o método _create_model. O framework inclui um HuggingFaceConnector para facilitar o carregamento de modelos do Hugging Face Hub.
• Expansão de Funcionalidades: A API unificada suporta nativamente:
  • Covariáveis: Alinhamento automático de variáveis exógenas passadas e futuras.
  • Previsão de Múltiplas Séries: Processamento paralelo de séries temporais em lotes (batches).
  • Previsão Probabilística: Suporte tanto para amostragem de Monte Carlo quanto para predição direta de parâmetros, pareado com modelos de verossimilhança específicos (ex: Regressão Quantílica).
  • Ajuste Fino (Fine-tuning): Um argumento enable_finetuning flexível permite que os usuários congelem/descongelem parâmetros específicos via correspondência de curingas (wildcard matching), suportando zero-shot, ajuste fino parcial e total.
  • Explicabilidade: Integração de ShapExplainer usando valores SHAP de permutação agnósticos ao modelo para quantificar as contribuições de entrada.

Principais Contribuições
O artigo delineia quatro contribuições primárias:

1. API Unificada: Uma integração de quatro TSFMs distintos (Chronos-2, TimesFM 2.5, TiRex e PatchTST-FM) sob uma interface única e de dependências mínimas.
2. Capacidades Avançadas Nativas: Suporte inédito dentro de um framework unificado para covariáveis, previsão probabilística e ajuste fino entre múltiplos TSFMs.
3. Explicabilidade: Explicabilidade agnóstica ao modelo via valores SHAP para todos os modelos baseados em PyTorch na coleção.
4. Interoperabilidade de Ecossistema: Compatibilidade total com as ferramentas existentes do Darts para processamento de dados, backtesting, avaliação e ensemble de modelos, eliminando a necessidade de pipelines customizados.

Resultados
Os autores validaram as implementações do Darts para os TSFMs contra seus respectivos modelos originais usando o conjunto de dados fev-bench-mini (um subconjunto de 20 conjuntos de dados do fev-bench completo).

• Consistência de Desempenho: Os resultados mostraram ampla consistência entre as implementações do Darts e os modelos originais. Os escores de habilidade (Scaled Quantile Loss para previsões probabilísticas e Mean Absolute Scaled Error para previsões de ponto) desviaram no máximo 1,3%.
• Robustez: As implementações lidaram com sucesso com cenários de previsão probabilística e ajuste fino sem vazamento de dados (data leakage) ou degradação significativa de desempenho.
• Validação: A Tabela 2 no artigo detalha essas comparações, confirmando que o framework unificado não compromete a precisão dos modelos de fundação subjacentes.

Significância e Alegações
O artigo posiciona o Darts não como uma biblioteca superior a todas as outras, mas como uma base comum necessária para facilitar a adoção de TSFMs e a comparação justa. Os autores alegam que, ao fornecer um ecossistema unificado, o Darts:

• Minimiza conflitos de dependências e permite a troca fácil entre modelos (via uma simples mudança de nome).
• Permite a avaliação conjunta e o ensemble de diferentes modelos de fundação.
• Reduz o fardo para os provedores de TSFM de reinventar ferramentas comuns, oferecendo-lhes um caminho direto para uma ampla base de usuários.
• Preenche a lacuna entre a "visão" de modelos de fundação substituindo modelos especializados e a realidade prática de integrá-los em pipelines de previsão completos e robustos.

Os autores reconhecem limitações atuais, incluindo o pequeno número de modelos suportados no lançamento (quatro) e a falta de métodos de ajuste fino eficientes em parâmetros (ex: LoRA), mas enfatizam que o framework foi projetado para expansão e contribuição da comunidade.