TopoPrimer：预测模型中缺失的拓扑上下文

TopoPrimer: The Missing Topological Context in Forecasting Models

二〇二六年七月七日 · 英文原文

摘要

TopoPrimer 是一个将序列群体的全局拓扑结构作为显式输入提供给预测模型的框架。该框架通过持久同调（persistent homology）和谱层坐标（spectral sheaf coordinates）在每个领域预先计算一次，随后以每个 token 的方式部署于完全训练好的模型，并作为轻量级适配器用于预训练骨干网络。其中层坐标是主要的精度驱动因素。在 Chronos 等四个公开基准测试中，TopoPrimer 提升了预测精度，稳定了季节性需求高峰下的预测结果，并缩小了冷启动差距。

我们介绍 TopoPrimer，这是一个将序列群体的全局拓扑结构作为显式输入提供给任何预测模型的框架。TopoPrimer 在多个领域提升了预测精度，稳定了季节性需求高峰下的预测结果，并缩小了冷启动差距。通过持久同调（persistent homology）和谱层坐标（spectral sheaf coordinates）在每个领域预先计算一次后，TopoPrimer 以每个 token 的方式部署于完全训练好的模型，并作为轻量级适配器用于预训练骨干网络。在这两个组件中，层坐标是主要的精度驱动因素。在 Chronos 及……上的四个公开基准测试中，

译自 Apple · ML Research · 录于二〇二六年七月七日