› Prédire des séries temporelles en mode zero-shot - c'est-à-dire sans données d'entraînement issues du jeu de données cible - constitue l'un des défis les plus ardus en apprentissage automatique.
› L'une des approches retenues pour progresser repose sur le retrieval augmentation : avant de générer une prévision, le modèle parcourt une base d'historiques pour en extraire des segments proches de la séquence observée, puis les utilise comme contexte d'appui.
› Le problème central soulevé par cette étude est simple : même des segments historiques pertinents, qui produiraient individuellement une meilleure prévision que le modèle de base, ne garantissent pas un résultat final supérieur une fois combinés avec ce dernier.
› En pratique, des données utiles peuvent très facilement être mal exploitées.Fonctionnement et architecture de ROARLe framework ROAR (Retrieval Opportunity-Aware Refinement) a été conçu précisément pour tirer parti de ces opportunités d'amélioration.