In-Context Inpainting for Time Series Forecasting
该论文介绍了 ICI-Time，这是一个将时间序列预测重新定义为视觉修复任务的新型框架，通过将数据转换为面积图并利用预训练的大型视觉模型，在无需专门架构或微调的情况下实现了具有竞争力的性能。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
时间序列预测是一门基于过去来预测未来的艺术。它是天气预报、电网管理和疾病追踪背后的引擎，在这些领域中，理解数值随时间变化的方式让我们能够为即将发生的事情做好准备。几十年来，科学家们构建了专门用于识别这些数字模式的复杂计算机程序。这些程序功能强大，但也非常僵化；它们通常需要海量的数据和大量的训练才能学习新任务，并且在数据稀缺或模式发生意外转变时往往表现不佳。与此同时，另一种人工智能已经出现，它通过数百万张图像进行了训练，以理解视觉世界。这些系统可以观察一张图片并填补缺失的部分，或者仅仅通过任务现场提供的示例，就能识别出一张从未见过的猫的照片。这种无需重新训练即可从语境中学习的能力是一种强大的工具，但由于数字在本质上看起来不像图片，这种能力在预测数值方面一直未被广泛利用。
澳大利亚迪肯大学的一个研究小组现在通过教计算机将时间视为图像，弥合了这一差距。他们引入了一种名为 ICI-Time 的新方法，将预测未来的问题重新定义为一个视觉谜题，而不是一个数学计算。研究人员并没有将原始数字输入到专门的预测模型中，而是首先将数据流的历史（例如每日流感病例或每小时温度读数）转换为简单的折线图。然后，他们将这些图表排列成网格，将一个完整的过去模式示例放在当前情况旁边，并在未来应该出现的位置留下一块空白。他们要求一个预训练的视觉模型（一种已经从互联网学习了如何理解图像的人工智能）去填补那个空白区域。该模型将缺失的未来数据视为图像缺失的一部分，并利用提供的视觉示例进行“图像修复”（inpaint），即在空白区域“画”出一条合理的延续线条。
一旦视觉模型生成了完整的图像，研究人员就会将这幅画作转回数字。他们仔细地从新图像中提取线条，并将线条的高度和位置转换回原始的数据值。整个过程是在计算机从未被专门教授如何进行时间序列预测的情况下完成的。它完全依赖于模型现有的识别视觉模式的能力，以及它在那个瞬间根据所示示例进行学习的能力。研究人员在多种现实世界数据上测试了这种方法，包括收集了二十年的流感病例、湿度和气压等天气指标，以及电力变压器温度。他们将这种方法与目前最先进的预测模型进行了对比，这些模型是使用专门为时间数据设计的复杂架构构建而成的。
结果令人惊讶。在几乎所有的测试中，这种视觉方法都达到了或超过了专门模型的表现，尤其是在衡量预测值与实际值接近程度方面。该方法在数据有限时表现出了极强的鲁棒性。当专门模型在仅使用极少量可用数据进行训练时表现挣扎且误差显著增加时，视觉方法依然保持稳定和准确。这表明，识别图像中的形状和趋势是一种比通常应用于时间序列的特定数学规则更通用的技能。研究人员发现，成功的关键不仅在于将数字转化为图片，还在于以一种能够完美保留数据比例和形状的方式进行转化，从而确保视觉模型能像人类一样准确地读取图表。
这项工作挑战了长期以来的假设，即预测未来需要专门的、对数据需求量巨大的算法。它证明了，只要给予正确的视觉表示，一个通用的视觉系统可以像那些从底层构建起来的模型一样，甚至比它们更好地理解时间动态。研究表明，视觉推理与基于时间的预测之间的界限并不像之前认为的那样固定。通过简单地向计算机展示一张过去的图像并要求它完成这幅画，系统就可以在无需重新训练或微调的情况下推断出未来。这为在数据稀缺或需要快速适应新类型数据的场景下的预测开辟了一条新路径，证明了有时，理解时间最好的方式就是将其视为一幅图像。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。