Reverso：适用于零样本预测的高效时间序列基础模型

学习时间序列基础模型已被证明是跨不同时间序列领域的零样本时间序列预测的一种有前景的方法。鉴于扩展一直是其他模态（如语言和视觉）中基础模型性能的关键驱动因素，最近关于时间序列基础模型的大量工作都集中在扩展上。这导致了具有数亿参数的时间序列基础模型，虽然性能良好，但在实际应用中效率低下且成本高昂。本文描述了一种简单的方法来学习用于零样本时间序列预测的高效基础模型，其规模小得多。我们表明，大规模的转换器并非必要：小型的混合模型，该模型交错使用长卷积和线性RNN层（特别是DeltaNet层），可以在性能上与更大的基于转换器的模型相匹配，同时体积超过百倍之小。我们还描述了多种数据增强和推理策略，这些策略进一步提高了性能。这种方法产生了Reverso，这是一系列用于零样本预测的高效时间序列基础模型，显著推动了性能-效率帕累托前沿。