RATL：将历史预测残差作为可检索记忆，提升多变量时序预测
arXiv论文提出RATL，一种即插即用的残差检索与反馈修正方法：冻结基础预测器，训练专属残差记忆，推断时按相似历史上下文检索残差轨迹并路由组合，在多数真实基准上提升基础模型表现。
AI解读：RATL解决的核心问题是：时序预测模型在推断时只依赖自身参数，忽略了历史中相似情境下它犯过的错误。论文把检索增强的思路从文本生成搬到数值预测——与其直接检索相似的历史目标值（这在不同样本尺度下容易失真），不如检索该基础模型自己在相似情境下的预测残差（真实值与预测值的差距），用这些误差信号来修正当前预测。方法上，RATL冻结基础预测器，把它的历史残差变成只用于训练的专属记忆；推断时在因果约束下从相似历史上下文检索残差轨迹，再用一个感知集合的路由器按预测块和变量选择组合。实验以iTransformer为主干，结果显示多数设置下RATL能进一步提升冻结基础模型的准确度，消融实验也表明学习到的路由比直接使用残差反馈更有效。对实际使用者来说，RATL是即插即用模块，可以叠加在现有预测模型上而不必重新训练基础模型，但这篇论文仅基于arXiv摘要，未提供完整实验细节与代码，效果还需以全文和复现结果为准。
来自arXiv的论文提出RATL，一种面向多变量时序预测的即插即用残差检索与反馈修正方法。RATL的核心做法是：冻结基础预测器，用其历史预测残差构建仅用于训练的专属记忆；推断时在因果可用性约束下，从相似历史上下文中检索残差轨迹，再通过一个感知集合的路由器（按预测块和变量）选择和组合这些轨迹，以修正当前预测。
论文作者为Yuchen He、Yueyang Cang、Zhiyuan Ning、Ningyu Wang、Li Shi。依据摘要，实验以iTransformer作为主要的冻结基础预测器，在真实世界基准上对比多个强预测基线，并测试跨主干（backbone）的迁移性；结果显示在大多数实验设置中，RATL能进一步提升冻结基础预测器的性能。