Cadence:基于时间序列基础模型的需求时间序列有界误差有损压缩

Hugging Face Daily Papers 论文

摘要

Cadence 提出了一种使用基础模型和自适应算术编码器的有界误差有损压缩方法,用于时间序列,相比经典预测器实现了显著性能提升。

我们介绍 Cadence,一个用于数值时间序列的有界误差有损压缩器,结合了一个3.3亿参数的时间序列基础模型(Google TimesFM-3)和一个自适应算术编码器,保证在每个样本上 |x_t-x_t|leτ。一个负面结果限制了设计空间:对于无损编码,基础模型毫无价值,因为节省的比特数与预测器精度呈对数关系,Δb=log_2(MAE_{old}/MAE_{new})。因此,TimesFM-3 相对于 32-tap 线性预测器的 1.51 倍优势仅带来 20.28 比特中的 0.60 比特,中位增益为 +0.03%。有界误差编码在这一点上摆脱了这一限制:一旦预测落入误差带内,残差索引为零,样本几乎免费。Cadence 的贡献包括:(1) 一个带有上下文建模二值化的自适应范围编码器,在真实索引上超越 xz/zstd 9.7%(15/15),并逆转了来自通用后端的一个发现;(2) 一个确定性结果——预测在不同批量大小下并非比特相同,且没有 PyTorch 配置能修复此问题,迫使组大小和执行设备信息被包含在容器格式中;以及 (3) 在超出任何合理训练截止日期的语料库上进行领域定位。 在 49 个 EIA-930 平衡权威需求序列(2026年)上,Cadence 比六个经典预测器中最好的高出 13.3%,在 50 个 MTA 客运序列(2026年)上高出 28.3%:在 297 对序列-容差对上中位增益为 21.4%,赢得了所有 297 对。与时间序列数据库用于保留的降采样相比,在相同大小下,其保证的最坏情况误差要紧密 28 到 56 倍。端到端地,一旦支付了上下文引导的代价,增益从六个月小时数据的 6.8% 到渐近的 15.1%。试图在 SDRBench 上证伪领域声明,理论预测失败并证实:中位增益为 -0.8%,27 对中无一增长。三个进一步的负面结果和八个撤回的声明被完整报告。
查看原文
查看缓存全文

缓存时间: 2026/09/09 08:30

论文页面 - Cadence:基于时序基础模型的需求时间序列误差可控有损压缩

来源:https://huggingface.co/papers/2609.06008

摘要

Cadence 将时序基础模型与自适应算术编码器相结合,实现误差可控的有损压缩。相比传统预测器取得显著提升,同时报告了无损编码与跨批次确定性方面的负面结果。

我们提出 Cadence,一种针对数值时间序列的误差可控有损压缩器。该方法将330M参数的时序基础模型(https://huggingface.co/papers?q=time-series%20foundation%20model)(Google TimesFM-3 (https://huggingface.co/papers?q=TimesFM-3))与自适应算术编码器(https://huggingface.co/papers?q=adaptive%20arithmetic%20coder)相结合,保证每个样本满足 \|x\_t-\hat{x}\_t\|\leq\tau。一个负面结果限制了设计空间:对于无损编码而言,基础模型毫无价值,因为节省的比特数仅与预测器精度呈对数关系,\Delta b=\log_2(MAE_{old}/MAE_{new})。因此 TimesFM-3 (https://huggingface.co/papers?q=TimesFM-3) 相较于32抽头线性预测器的1.51倍优势,仅在20.28位中换取0.60位,中位数增益仅+0.03%。误差可控编码在一点上突破此限制:当预测值落在容差区间内时,残差索引为零,样本几乎可免费编码。Cadence的贡献包括:(1) 采用上下文建模二值化(https://huggingface.co/papers?q=context-modelled%20binarization)的自适应范围编码器(https://huggingface.co/papers?q=range%20coder),在真实指数数据上较xz/zstd实现9.7%的改进(15/15),颠覆了通用后端的既有结论;(2) 确定性结果——预测结果在不同批次大小间不具备比特一致性,且无任何PyTorch(https://huggingface.co/papers?q=PyTorch)配置能修正此问题,迫使分组大小与执行设备必须写入容器格式;(3) 在训练截止日期之后的语料库上实现场域定位(https://huggingface.co/papers?q=domain%20localization)。在49组EIA-930平衡需求序列(2026年)上,Cadence较六种经典预测器中的最优者提升13.3%;在50组MTA客流量序列(2026年)上提升28.3%:在297组序列-容差组合上中位数提升21.4%,在全部297组测试中获胜。与时间序列数据库用于数据保留的降采样相比,在相同大小下其最坏情况误差保证收紧28-56倍。端到端运行时,扣除上下文引导开销后,增益从6小时数据的6.8%渐进提升至15.1%。为证伪场域声称,我们在SDRBench上测试,理论预测并确实出现失败:中位数-0.8%,27组测试中无一组取得增益。文中完整报告了另外三项负面结果与八项撤回声明。

查看arXiv页面 (https://arxiv.org/abs/2609.06008)查看PDF (https://arxiv.org/pdf/2609.06008)GitHub1 (https://github.com/robtacconelli/Cadence)添加至收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.06008)

获取本文的智能体访问:

hf papers read 2609.06008

尚未安装最新CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

无模型关联本文

在模型README.md中引用 arxiv.org/abs/2609.06008 可从本页关联。

引用本文的数据集0

无数据集关联本文

在数据集README.md中引用 arxiv.org/abs/2609.06008 可从本页关联。

引用本文的Spaces0

无Space关联本文

在Space README.md中引用 arxiv.org/abs/2609.06008 可从本页关联。

包含本文的收藏集0

无收藏集包含本文

将本文添加至收藏集 (https://huggingface.co/new-collection) 可从本页关联。

相似文章

用于时间序列预测的仅解码器基础模型

Papers with Code Trending

本文介绍了一篇关于时间序列基础模型(TimeFM)的研究论文,这是一种仅解码器模型,通过借鉴大型语言模型技术,在多样化的时间序列数据集上实现了近乎最佳的零样本性能。

压缩与预测如何关联?

Lobsters Hottest

这篇文章探讨了信息论中压缩与预测的数学等价性,涉及经典理论基础和现代应用,如语言模型。

多变量时间序列预测需要跨变量损失

arXiv cs.LG

本文识别了多变量时间序列直接预测中的目标差距,并提出CvLoss,一种即插即用的结构正则化器,它在跨变量图上约束预测残差,以提高同步和异步交互之间的一致性。实验表明,相对于有竞争力的预测模型,它带来了一致的改进。