TSFLab؛ کارگاه خودبهبودگر برای پژوهش در پیش‌بینی سری‌های زمانی

پژوهشگران پشت پیش‌چاپ TSFLab می‌گویند رشد پژوهش‌ها و محصولات پیش‌بینی سری‌های زمانی، ارزیابی کارهای پیشین را دشوار کرده است: همهٔ مقاله‌ها کد منتشر نمی‌کنند و نگهداری کدهای موجود نیز به کار دستی نیاز دارد. به‌گفتهٔ چکیده، در بازهٔ بررسی‌شده فقط حدود ۲۰ درصد از مقاله‌های arXiv در این حوزه پیوند کد داشته‌اند. پیاده‌سازی مستقل پژوهش‌ها هم ممکن است به تفاوت در تنظیمات آزمایش و دشواری نگهداری بینجامد.

نویسندگان استفاده از عامل‌های هوش مصنوعی را برای بنچمارک‌کردن پژوهش‌های این حوزه و پشتیبانی از «پژوهش خودکار» پیشنهاد می‌کنند؛ از جمله برای توسعهٔ مدل‌های تازه. آن‌ها می‌گویند به‌کارگیری مستقیم عامل‌های کدنویسی موجود، مانند Claude Code و Codex، بهینه نیست و هزینه‌های بازدارنده را از جمله محدودیت‌ها می‌دانند. متن در دسترس از چکیده در همین نقطه ناتمام می‌شود؛ بنابراین جزئیات طراحی TSFLab و ارزیابی آن مشخص نیست.