CrossRAG: Framework Retrieval-Augmented per la Previsione di Serie Temporali

Uno studio recente pubblicato su arXiv (2607.29459) presenta CrossRAG, un framework che migliora la previsione multivariata a lungo termine di serie temporali utilizzando diversi sensori IoT attraverso l'augmentation del retrieval. Questo approccio affronta le carenze dei modelli fondamentali di serie temporali attuali, che dipendono da conoscenze parametriche fisse e non accedono dinamicamente a pattern storici durante l'inferenza. CrossRAG combina la memoria Shape-Aware Memory (SAM) con la normalizzazione RevIN per un retrieval robusto a livello di forma, utilizza l'apprendimento contrastivo Future-Consistent Contrastive (FCC) per distinguere riferimenti preziosi da negativi difficili con passati simili ma futuri diversi, e utilizza la fusione temporale Cross-Attention Temporal Fusion per fondere i riferimenti recuperati con i dati di input. Lo studio affronta le sfide nell'applicare la generazione aumentata da retrieval (RAG) alle serie temporali, come le variazioni di magnitudo e l'incoerenza tra similarità storica e risultati futuri. Mira ad affrontare questi problemi enfatizzando pattern a livello di forma e coerenza futura. Questo annuncio di tipo cross è accessibile su arXiv.