时间序列基础模型（TSFM）近年来被广泛用于各类预测任务，其预训练数据规模不断扩大，随之而来的一个隐患是：用于评估的测试数据集可能在预训练阶段就被模型“见过”。一旦发生这种数据污染，模型在评测中表现出的高性能就可能被高估，从而误导研究者对模型真实能力的判断。针对这一问题，一篇投稿于2026年5月24日的arXiv论文《TSFMAudit: Data Contamination Auditing in Forecasting Time Series Foundation Models》首次系统性地研究了TSFM的预训练污染审计问题。该论文由Hongkai Li等共10位作者完成，编号为arXiv:2605.26161v1，属于机器学习（cs.LG）与人工智能（cs.AI）交叉方向，全文共22页、含7幅图和9张表。
作者指出，在时间序列领域开展污染审计比在自然语言处理领域更具挑战性。原因在于时间序列信号是连续且高度异质的，不同数据集之间的采样频率、量纲和形态差异很大；同时，许多时间序列语料缺乏完整的来源文档记录，难以直接确认某个数据集是否被纳入过预训练语料。正因如此，现有针对大语言模型（LLM）的污染检测方法并不能简单照搬。作者将TSFM预训练污染审计这一任务正式形式化，并提出了名为TSFMAudit的检测方法。
TSFMAudit的核心思路建立在“探针适配动态”之上。研究者的关键直觉是：如果某个数据集在预训练阶段已被模型接触过，那么在对该数据集进行轻量微调探针时，模型会表现出异常高效的适配能力——损失下降得更快，同时主干网络参数的变化幅度更小。换句话说，污染会表现为“学得快、动得少”的特征模式。基于这一观察，TSFMAudit通过分析微调探针过程中的损失下降速度与主干参数位移之间的关系，来判断给定数据集是否可能受到污染。
在实验设计上，作者使用6个TSFM和187个数据集对TSFMAudit进行了评估，并以有文档记录的训练来源证据作为监督信号，同时与10个从LLM文献中改造而来的竞争性基线方法进行比较。论文摘要中并未给出具体的数值结果，但从任务设定来看，该工作为时间序列基础模型的评测可信度提供了首个专门的审计框架。
从更广的背景看，这项研究的价值在于提醒社区：随着TSFM预训练语料持续膨胀，基准评测的公正性需要配套的审计手段来保障。TSFMAudit所提出的探针适配动态视角，为在缺乏语料文档的连续信号场景下识别污染提供了一条可行路径，也为后续研究建立了可比较的问题定义与实验基准。论文的提交时间为2026年5月24日14:59:12 UTC，文件大小约220 KB，读者可通过arXiv获取PDF、实验性HTML版本及TeX源码。