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。
時間序列基礎模型
深度分析
大型語言模型 × 時間序列基礎模型：Neuro‑Agentic 控制提升工業物聯網防護
隨著工業物聯網遭受惡意攻擊，傳統規則式監控已難以因應。研究提出結合大型語言模型與時間序列基礎模型的神經代理式控制框架，透過「反事實物理注入」在數值潛在空間模擬介入效果，篩除幻覺與不安全動作。實驗在 SWaT 資料集上顯示，較 LSTM、TCN 分別提升 33.3% 與 20% 的防護成功率，且未執行任何物理無效指令。
深度分析
以適應動態與參考模型量化資料污染：TSFMAudit 在時間序列基礎模型上的驗證
隨著時間序列基礎模型大量預訓練，評測資料可能已被洩漏，造成效能高估，研究提出TSFMAudit，利用微調探測時的損失下降速度與參數位移判斷污染。實驗在六個模型與187個資料集上顯示，此方法比既有基線更準確，此技術有望提升未來基準的可信度，並促使模型開發者加強資料管理。