TempoPFN 以合成資料預訓練線性 RNN，實現零樣本時間序列預測

研究團隊發表 TempoPFN，透過一套合成時間序列生成器與增強技術，預訓練線性循環神經網路（Linear RNN），使其具備零樣本時間序列預測能力。該方法已被 NeurIPS 2026 接收，且相關合成資料技術此前已應用於 Toto-2 與 TS-ICL 等模型。

AI 新聞雷達編輯團隊·本站收錄：2026/10/19 11:56（台灣時間）·閱讀約 2 分鐘

本站收錄時間為新聞雷達完成整理的時間，不代表事件發生時間。原文日期僅在取得明確來源證據時顯示；未標示者請參閱下方原始來源。

30 秒掌握

TempoPFN 採用線性 RNN 架構，並透過大量合成數據進行預訓練，以達成無需特定領域標註資料的零樣本預測能力。

該研究提出的合成時間序列生成器與增強技術並非全新概念，此前已應用於 Toto-2 和 TS-ICL 等其他時間序列基礎模型中。

論文已被 NeurIPS 2026 接收，程式碼與預訓練權重已透過 GitHub 及 Hugging Face 公開釋出。

利用合成數據訓練線性 RNN 架構

TempoPFN 的核心策略是建立一個包含多種合成時間序列生成器與資料增強技術的庫，用於預訓練基礎模型。

研究團隊選擇線性循環神經網路（Linear RNN）作為具體實現的架構，透過在這些合成數據上進行大規模訓練，使模型學會通用的時間序列模式。

這種方法旨在讓模型在面對未經標註的新領域時間序列資料時，仍能直接進行預測，即所謂的零樣本學習能力。

值得注意的是，TempoPFN 所使用的合成數據生成與增強技術並非首次出現於學術界。

根據來源資訊，這類合成資料技術此前已經被應用於 Toto-2 以及 TS-ICL 等其他時間序列基礎模型的開發過程中。

來源僅指出相關合成資料技術此前已應用於 Toto-2 與 TS-ICL，未說明 TempoPFN 是否基於這些既有框架進行修改。

TempoPFN 論文已被人工智慧領域頂級會議 NeurIPS 2026 接收，標誌其方法經過學術審查認可。

研究團隊由 Vladyslav Moroshan、Julien Siems、Arber Zela、Timur Carstensen 及 Frank Hutter 等成員組成。

為了促進後續研究與應用，團隊已將相關程式碼發布於 GitHub（automl/TempoPFN），並將預訓練模型權重上傳至 Hugging Face（AutoML-org/TempoPF）。