组内时间序列研究方向再传佳讯！博士生柳真的论文《From Retrieval to Recognition: Knowledge-Enhanced Post-training of Time Series Foundation Models for Classification》被人工智能领域顶级会议 NeurIPS 2026 接收。本文由课题组联合新加坡南洋理工大学、新加坡科技研究局、新加坡科技设计大学的师生共同完成，前期就 idea 与实验设计进行了充分讨论；工作建立在已发表于 AAAI 2026 的成果基础之上，历时半年完成实验与投稿，最终顺利录用。
论文题目：From Retrieval to Recognition: Knowledge-Enhanced Post-training of Time Series Foundation Models for Classification
作者：Zhen Liu, Yucheng Wang, Yingpeng Du, Tianjun Wei, Qianli Ma, Min Wu, Jie Zhang, and Zhu Sun
论文简介：时间序列基础模型（TSFMs）借助大规模预训练，在分类任务上取得了显著进展。然而，其后续训练实践在很大程度上仍局限于隐式的参数微调，导致任务相关信息在庞大的参数空间中与大量无关知识相互纠缠，可能阻碍 TSFMs 精准激活对下游分类有用的知识。针对上述问题，本文提出 R2R——一种即插即用的后训练框架，在“检索—识别”（retrieval-to-recognition）范式下将预训练 TSFMs 适配到时间序列分类任务。R2R 并不重新预训练新的基础模型，而是改进现有模型的后训练方式：它引入一个解耦的查询编码器，用于提取判别性模式，并从构建的知识库中检索实例级的数值知识。随后，将检索到的显式知识与 TSFM 的隐式参数化嵌入进行联合优化训练，实现参数级与特征级的联合知识迁移。由此，R2R 使 TSFMs 能够召回预训练阶段学到的任务相关模式，提升下游迁移中的知识利用效率。在 158 个时间序列数据集上的实验表明，R2R 能够稳定提升当前先进 TSFMs 的分类性能；消融实验与知识增强相关研究进一步验证了该框架的有效性。
