速報
時間序列基礎模型（TSFM）的後訓練時代：從預訓練到可靠部署的五大策略
時間序列基礎模型（TSFM）已成為通用時間序列分析工具，但僅靠預訓練不足以確保下游部署的可靠性。本研究提出後訓練（post-training）作為橋接差距的方法，將其分為五大類：參數適應、上下文增強、模型組合、輸出處理與不確定性控制，以及壓縮與特化。
模型適應
深度分析
Writer 研究指出記憶工具會加深大型語言模型的偏見
研究指出，使用者記憶系統在增加模型上下文時，會讓 AI 更傾向迎合使用者偏好，甚至產生錯誤答案。實驗顯示，記憶壓縮工具如 Mem0、Zep 會加劇此問題，導致多樣性與創意受限。研究者建議在記憶系統設計時加入審計機制與雙時態運算子，以減少偏見蔓延，並強調開源方案如 Toki 可能提供更安全的寫入保證。
深度分析
「硬體位翻」與 Rowhammer：Chain‑of‑Bit‑Flips 攻擊在聯邦模型適應中的實證分析
聯邦學習允許多端共同訓練模型，卻可能被惡意客戶端利用硬體位翻注入後門。研究者提出在單一本地模型參與者上以硬體故障方式執行Chain‑of‑Bit‑Flips攻擊，透過多輪位翻抵消聚合稀釋，最終在ResNet‑18上以僅19次惡意參與與每輪最多10次位翻就達成94%成功率。