# TS-RAG: Retrieval-Augmented Generation based Time Series Foundation Models are Stronger Zero-Shot Forecaster

### 저자

Kanghui Ning, Zijie Pan, Yu Liu, Yushan Jiang, James Y. Zhang, Kashif Rasul, Anderson Schneider, Lintao Ma, Yuriy Nevmyvaka, Dongjin Song

### 개요

본 논문은 시계열 예측 과제에서 대규모 언어 모델(LLM)과 기초 모델(FM)의 일반화 및 적응성 문제를 해결하기 위해, 검색 기반 생성 프레임워크인 TS-RAG를 제안한다. TS-RAG는 사전 훈련된 시계열 인코더를 활용하여 지식 베이스에서 의미적으로 관련된 부분을 검색하고, 이를 입력 쿼리의 문맥 표현에 추가하여 TSFM의 성능을 향상시킨다. 특히, 적응적 검색 믹서(ARM) 모듈을 통해 검색된 패턴과 TSFM의 내부 표현을 동적으로 융합하여 과제별 미세 조정 없이 예측 정확도를 개선한다. 7개의 공개 벤치마크 데이터셋에 대한 실험 결과, TS-RAG는 기존 TSFM보다 최대 6.84% 향상된 최첨단 제로샷 예측 성능을 달성하며, 해석성 또한 향상됨을 보여준다.

### 시사점, 한계점

- **시사점:**

    - 기존 TSFM의 일반화 및 적응성 문제를 해결하는 새로운 프레임워크 TS-RAG 제시.

    - 제로샷 설정에서 기존 TSFM들을 상당히 능가하는 성능 달성.

    - ARM 모듈을 통한 동적 패턴 융합으로 과제별 미세 조정 필요성 감소.

    - 향상된 해석성 제공.

- **한계점:**

    - 제시된 지식 베이스의 구성 및 관리에 대한 구체적인 설명 부족.

    - 다양한 시계열 데이터 유형에 대한 일반화 성능의 한계 가능성.

    - ARM 모듈의 동적 융합 과정에 대한 자세한 설명 부족.

    - 실험 데이터셋의 다양성에 대한 추가적인 검토 필요.

[PDF 보기](https://arxiv.org/pdf/2503.07649)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).