Wanneer te vertrouwen, hoe te destilleren: multi-foundation model-sturing voor lichtgewicht, robuuste wetenschappelijke tijdreeksvoorspelling

De inzet van Time-Series Foundation Models in de natuurwetenschappen stuit op een lastige afweging: de modellen bevatten rijke, universele temporele dynamiek, maar schieten tekort door distributieverschillen bij zero-shot-toepassing in specifieke domeinen, en de rekenkosten maken gebruik in edge-sensornetwerken onhaalbaar. Dit artikel pakt de kernvraag aan: hoe extraheren we latente structurele kennis uit deze modellen zonder volledige hertraining.