MetaCaster: Meta-Harness-Optimized Agent for End-to-End Few-Shot Learning of Lightweight Time Series Forecasters

📄 arXiv: 2608.23473v1 📥 PDF

作者: ChengAo Shen, Wenchao Yu, Fangyu Wu, Dongjin Song, Hanghang Tong, Dongsheng Luo, Wei Cheng, Haifeng Chen, Jingchao Ni

分类: cs.LG, cs.AI

发布日期: 2026-08-24

备注: Accepted by EMNLP 2026

💡 一句话要点

提出MetaCaster以解决轻量级时间序列预测的少样本学习问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 时间序列预测 少样本学习 轻量级模型 元学习 代理生成 数据效率 计算效率

📋 核心要点

  1. 现有轻量级时间序列预测模型通常需要大量训练数据，限制了其在数据稀缺领域的应用。
  2. 本文提出MetaCaster，通过元优化的多代理框架，利用少量示例和文本上下文自动训练轻量级预测模型。
  3. 在18个数据集上，MetaCaster在数据效率和计算效率上均表现优异，且预测性能高于多种基线模型。

📝 摘要（中文）

时间序列预测（TSF）正朝着多模态和智能化的方向发展，但在资源受限的场景中，使用基础模型的成本较高，因此更希望使用紧凑且专业的预测模型。然而，轻量级预测模型通常需要大量的训练数据，这限制了它们在数据稀缺、积累缓慢或隐私敏感的领域中的应用。为了解决这一困境，本文研究了轻量级预测模型的少样本学习问题，提出了MetaCaster，一个元优化的多代理框架，通过代理数据生成自动训练专业的轻量级预测模型，仅需少量示例和文本上下文。实验表明，MetaCaster在18个数据集上与23个最先进的轻量级预测模型及14个基线进行比较，展示了其数据效率和计算效率，同时保持高质量的时间序列预测性能。

🔬 方法详解

问题定义：本文旨在解决轻量级时间序列预测模型在数据稀缺情况下的训练问题。现有方法通常依赖大量数据，难以在隐私敏感或数据稀缺的领域中应用。

核心思路：MetaCaster通过引入元优化的多代理框架，利用代理生成的数据来训练轻量级预测模型，从而实现少样本学习。该设计使得模型能够在仅有少量示例的情况下，依然能够有效学习任务特定的特征。

技术框架：MetaCaster的整体架构包括数据生成模块、模型训练模块和评估模块。数据生成模块通过代理生成多样化的训练样本，模型训练模块则使用这些样本来优化轻量级预测模型，最后通过评估模块验证模型的预测性能。

关键创新：MetaCaster的创新在于其将代理视为中介工程师，而非直接的预测者，能够高效地准备任务特定的预测模型。这一思路与传统的直接预测方法有本质区别。

关键设计：在模型设计中，MetaCaster采用了特定的损失函数来优化预测精度，并通过调节代理生成的数据多样性来提升模型的泛化能力。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MetaCaster在18个数据集上表现优异，相较于23个最先进的轻量级预测模型和14个基线，展示了显著的数据和计算效率提升，且在预测质量上保持高水平，验证了其有效性。

🎯 应用场景

该研究的潜在应用领域包括金融市场预测、气象数据分析和医疗健康监测等。MetaCaster能够在数据稀缺的情况下，快速生成高效的预测模型，具有重要的实际价值和广泛的应用前景，尤其是在隐私敏感的领域中。

📄 摘要（原文）

Time series forecasting (TSF) is evolving toward multimodal and agentic settings, yet using foundation models remains uneconomical in resource-constrained scenarios, where compact, specialized forecasters are more desirable. However, lightweight forecasters typically require substantial training data, limiting their use in domains with scarce, slowly accumulated, or privacy-sensitive time series. To address this dilemma, we investigate the challenging problem of few-shot learning for lightweight forecasters. We propose MetaCaster, a meta-harness-optimized multi-agent framework that uses agentic data generation to automatically train specialized lightweight forecasters from only a few examples and textual contexts. Our work highlights a new TSF paradigm in which agents act not as forecasters but as intermediary engineers that prepare efficient, task-specific forecasters for deployment. Experiments on 18 datasets, 23 state-of-the-art lightweight forecasters, and 14 baselines demonstrate that MetaCaster achieves both data efficiency and computational efficiency while maintaining high-quality TSF performance.