في ظل التطورات التكنولوجية المستمرة، ظهرت النماذج الأساسية للسلاسل الزمنية (TSFMs) لتحقيق أداء مذهل في التنبؤات بدون الحاجة إلى تدريب مسبق، بفضل التنبؤ المعزز بالاسترجاع. ومع ذلك، أظهرت الدراسات أن هناك قيودًا ملحوظة في هذه الطريقة، حيث تؤدي المعلومات المسترجعة أحيانًا إلى تنبؤات oscillatory (متذبذبة)، مما يزيد الدقة في السلاسل الزمنية ذات التقلبات العالية لكنه يقلل من الدقة في السلاسل الأكثر استقرارًا.

استنادًا إلى هذه النتائج، قدم الباحثون إطارًا جديدًا يُعرف بـ 'تقنية التحليل الديناميكي المدعومة بالاسترجاع' (Retrieval-guided Invariant-Dynamic Decomposition). يعمل هذا الإطار على استخدام المعلومات المسترجعة كنماذج تنبؤية من بيئات متعلقة، مما يُسهل عملية تحليل البيانات. ويتمثل جوهر الإستراتيجية في بناء تمثيل حساس للاسترجاع عبر تجميع يعتمد على الانتباه، ثم إدخال آلية توجيه مدعومة بالاسترجاع لتفكيك هذا التمثيل إلى مكونات مستقرة وديناميكية.

تُعالج هذه المكونات بشكل منفصل قبل دمجها للتوصل إلى التنبؤ النهائي، مما يساعد النموذج على الحفاظ على الأنماط القابلة للنقل بينما يظل مرنًا لتغيرات السياق. كما تم تصميم أهداف تدريب تشجع على التعلم المستقر والتفكيك، مقدمة رؤى نظرية تُظهر أن التجميع الاسترجاعي يقلل من التباين ويقترب من تعلم تمثيل مستقر بدون إشراف بيئي محدد.

تؤكد التجارب الشاملة أن هذه الطريقة لا تُحسن فقط من قوة النموذج تحت تغيرات التوزيع، بل تتفوق أيضًا على النماذج الأساسية الحالية بالاستناد إلى طرق الاسترجاع في سيناريوهات التنبؤ صفر-shot.