技术摘要：残差引导的多分辨率细化基础模型 (RGMR)

1. 问题定义

区域气候预测，特别是干旱预报，为时间序列基础模型（TSFMs）带来了独特的挑战。虽然 TSFMs（如 TimesFM、TimeGPT）在多种领域展现出强大的通用性能，但它们通常依赖于单次推理（single-pass inference），即将历史序列均匀地映射到未来预测。这与专家级气候学家所采用的迭代式、多尺度分析形成了对比——专家会先观察宏观的大气模式，然后逐步聚焦于区域细节和特定的时间分量（例如年际循环、ENSO 振荡、极端事件）。

本文假设 TSFMs 在区域任务中的局限性源于这种架构差异：同时处理复杂的多尺度气候信号可能会导致系统性的预测误差，尤其是在干旱事件和气候态转变期间。此外，业务化气候系统要求高效的推理过程，避免为每个特定区域或指数去更新预训练模型的骨干参数，因为针对每个区域进行重新训练或微调在计算上是昂贵且不切实际的。

核心问题在于：如何在不更新骨干参数的情况下，使冻结的 TSFMs 能够执行结构化的由粗到精（coarse-to-fine）的细化，以进行区域气候预测？

2. 方法论：RGMR

作者提出了 RGMR（残差引导的多分辨率细化），这是一种通过层次化残差细化来适配冻结 TSFMs 的推理时框架。该方法分为两个截然不同的阶段：

A. 离线校准（训练阶段）

1. 多分辨率投影： 输入的时间序列被投影到定义的分辨率尺度 $R = \{r_1, \dots, r_K\}$（例如 12、6、3、2、1 个月）。这涉及通过块平均进行降采样，以及通过重复进行升采样（$P_r = U_r \circ D_r$）。
2. 短窗口误差暴露： 对于每个分辨率层级 $k$，使用短上下文窗口（$L_{short} = 12$ 个月）对冻结的骨干网络 $f_\theta$ 进行查询。这迫使模型丢失长期气候背景，从而暴露特定层级的系统性偏差（相位、漂移、气候态）。
3. 残差学习： 短窗口预测与地面真值之间的差异构成了训练残差。一个轻量级的岭回归器（$g^{(k)}_\phi$）被拟合，用于根据包含近期目标、滚动统计量、线性趋势和历史推理残差的特征向量来预测这些残差。
4. 阈值选择： 通过按时间顺序的验证过程选择幅度阈值 $\delta^{(k)}$，作为自适应加权的软阈值中点。

B. 推理时细化（测试阶段）

1. 由粗到精的迭代： 从最粗的分辨率（$r_1$）开始，框架生成一系列细化的预测。
2. 长窗口提议： 在每个层级 $k$，骨干网络处理投影至分辨率 $r_k$ 的全上下文窗口（$W$），以生成原始提议 $\bar{y}^{(k)}$。
3. 残差引导校正：
   • 学习到的残差预测器 $g^{(k-1)}_\phi$ 估计前一层的输出残差。
   • 自适应加权： 使用 Sigmoid 函数的软阈值机制决定校正权重 $\omega^{(k-1)}$。校正主要应用于预测残差幅度超过验证选定阈值 $\delta^{(k-1)}$ 的区域。
   • 更新规则： 细化后的预测 $by^{(k)}$ 是当前原始提议与“前一层细化预测加上加权残差校正”的凸组合：
     $$by^{(k)} = \alpha^{(k)} \bar{y}^{(k)} + (1 - \alpha^{(k)}) \left( by^{(k-1)} + \eta^{(k)} \omega^{(k-1)} \odot \hat{R}^{(k-1)} \right)$$
   • 混合系数 $\alpha^{(k)}$ 随着分辨率精度的提高而增加，确保更精细的分辨率在最终预测中占据更重的权重，同时保留校正项。

理论特性

论文提供了一个收敛型分析（定理 4.1），证明了在提议误差有界且残差预测噪声有界的条件下，每个细化步骤都会将期望平方误差降低一个小于 1 的因子，最终收敛至噪声底限。此外，还建立了“无害”条件（推论 4.2），确保细化后的预测不会超过直接基准模型的误差包络。

3. 核心贡献

1. RGMR 框架： 一种推理时封装器，使冻结的 TSFMs 能够在不更新骨干参数的情况下进行多尺度纠偏推理。该框架具有架构无关性，已在 TimesFM、TimeGPT 和 TabPFN 上得到验证。
2. 理论证明： 通过收敛型分析和最精细分辨率的无害条件，从数学上证明了由粗到精设计及迭代过程稳定性的合理性。
3. 实证验证： 在南澳大利亚多个站点及其他分布外区域的干旱预测（SPEI）中表现出一致的改进，在 TimesFM 的一个月提前量预测中，其均方误差（MSE）最高降低了 18.9%。

4. 实验结果

该框架在来自三个南澳大利亚地点（干旱、季节性、温带）的**标准化降水蒸散指数（SPEI）**数据上进行了评估，并扩展到了其他全球区域。

• 性能： RGMR 始终优于直接应用基础模型以及强基准模型（包括 N-BEATS、Scaleformer 和各种 Transformer 变体）。
  • 在 TimesFM 上，位置 1 的一个月提前量 SPEI 的 MSE 从 0.391 降至 0.318，位置 3 从 0.524 降至 0.426。
  • $R^2$ 分数在所有站点上均持续提升。
• 消融研究：
  • 多分辨率： 仅使用多分辨率投影即可实现优于单次通过基准模型的性能。
  • 残差细化： 加入残差引导更新后，性能呈现单调提升。
  • 自适应加权： 带有自适应加权的完整 RGMR 达到了最佳性能，证实了根据预测误差幅度选择性应用校正的价值。
• 效率： 该方法引入的计算开销极小（在 RTX 3090 上每次预测仅增加约 60 毫秒延迟），因为骨干网络保持冻结，且残差预测器是轻量级的线性模型。
• 泛化能力： 该方法在无需重新调优的情况下，成功推广至温度预测和其他地理区域（美国西海岸、北非、印度尼西亚）以及更长的时间跨度（3 个月和 6 个月）。

5. 意义与主张

论文声称 RGMR 为在区域气候预测工作流中部署冻结 TSFMs 提供了一条切实可行的路径。其重要性在于：

• 弥合差距： 它模仿了人类专家的迭代式、多尺度推理过程，而无需重新训练庞大的基础模型。
• 业务可行性： 通过避免参数更新，它允许立即部署在现有的业务流水线和冻结模型上，非常适合计算资源或微调数据有限的地区。
• 误差校正： 它专门针对单次通过模型容易忽略的系统性误差（偏差、漂移），特别是在涉及干旱和气候态转变的复杂气候动力学中。

作者保持了审慎的态度，指出 RGMR 是一个推理时封装器，并不能消除上游数据偏差或基础预测器的结构性错误。他们建议将其作为多证据决策过程的一个组成部分，而非高风险水权或应急决策的独立权威。