TS2TabPFN: гибридный фреймворк на базе TabPFN 2.5 превосходит лидеров в анализе временных рядов

Временные ряды встречаются повсеместно: от финансовых рынков до медицинских мониторов. Задачи классификации (TSC) и внешней регрессии (TSER) позволяют извлекать пользу из этих данных, но существующие подходы часто разделяются на два лагеря: качественное извлечение признаков или автоматизированное глубокое обучение на сырых данных.

Эта дихотомия создаёт разрыв между контролем, который даёт инженерия признаков, и производительностью сквозных моделей. Исследователи предложили фреймворк TS2TabPFN, который устраняет этот пробел, объединяя явное извлечение признаков с TabPFN 2.5 — современной фундаментальной моделью для табличных данных.

Согласно аннотации к статье на arXiv, TS2TabPFN использует предсказательные возможности TabPFN 2.5 для анализа признаков, извлечённых из временных рядов. Такой гибридный подход позволяет задействовать сильные стороны обеих парадигм.

В ходе обширных экспериментов авторы показали, что TS2TabPFN значительно превосходит существующие state-of-the-art модели в задачах TSER. Для классификации временных рядов фреймворк также оказался эффективным и обошёл большинство лучших алгоритмов.

Полученные результаты свидетельствуют о том, что сочетание фундаментальных моделей со структурированными признаками преодолевает ограничения отдельных парадигм. Это открывает путь к новому стандарту в анализе временных рядов.

Работа представлена в виде препринта на arXiv под номером 2608.04174. Подход уже называют многообещающим в контексте развития гибридных ИИ-моделей.