تشير الأبحاث الحديثة إلى أن اختيار المولد الاصطناعي غير الصحيح أثناء التدريب على نماذج الزمن السلسلي يمكن أن يكون له تأثير كبير على دقة التوقعات. وقد أظهرت الدراسات أنه تحت ميزانيات تدريب مماثلة، يمكن أن يؤدي استخدام أفضل وأسوأ المولدات إلى فارق يصل إلى ضعف معدل الخطأ في التنبؤات. لكن الغريب في الأمر هو عدم وجود طريقة منهجية لاختيار المولد المناسب.

تزداد الصعوبة بسبب الفروق السائدة في تصنيف المولدات عبر الهياكل المعمارية المختلفة، حيث تم تقييم 11 عائلة من المولدات على نموذجين، هما Chronos-T5-Mini وMoirai-Small، وتم العثور على أن فعالية المولدات تعتمد على بنية النموذج.

بدلاً من محاولة حل مشكلة اختيار المولد، نقدم حلاً يتجاوز تلك التعقيدات: تركيب بسيط متساوي الوزن لكل المولدات يمكن أن يحقق أداءً يضاهي أو يتفوق على أفضل مولد فردي لكل من المعماريتين.

إضافة لذلك، يؤدي دمج هذا التركيب مع بيانات حقيقية إلى إنتاج أفضل مجموعات التدريب المتاحة.

بذلك، يصبح تدريب النماذج الاصطناعية قضية تركيب بيانات وليست مجرد مشكلة اختيار مولد، مما يستدعي التحقق من خيارات التركيب لكل عائلة نموذج بدلاً من الافتراض أنها قابلة للنقل.