โมเดลพื้นฐานสำหรับข้อมูลอนุกรมเวลา (Time Series Foundation Models หรือ TSFMs) มักประสบปัญหา 'Context Poisoning' ซึ่งเกิดขึ้นเมื่อข้อมูลบางส่วนที่มีความผิดปกติเชิงโครงสร้างส่งผลกระทบต่อกลไก Attention มากเกินไปจนทำให้การพยากรณ์ล้มเหลว งานวิจัยนี้จึงนำเสนอ GITCO (Gated Inference-Time Context Optimization) ซึ่งเป็นเฟรมเวิร์กน้ำหนักเบาที่เน้นการปรับปรุงข้อมูลนำเข้าแทนการแก้ไขน้ำหนักของโมเดล
GITCO ประกอบด้วยองค์ประกอบ 3 ส่วนคือ Gate, Router และ Critic ที่ทำหน้าที่ร่วมกันเพื่อระบุและตัดข้อมูล (Patches) ที่เป็นอันตรายต่อการทำนายออกไป จากการทดสอบกับโมเดล TimesFM 2.5 พบว่า GITCO สามารถลดค่าความคลาดเคลื่อน (MASE) ได้เฉลี่ย 1.95% และครอบคลุมการปรับปรุงที่ทำได้จริงถึงเกือบ 90% ของขีดจำกัดสูงสุด นอกจากนี้ยังมีการนำเสนอแนวคิด 'Context Sensitivity Profiles' เพื่อช่วยวิเคราะห์พฤติกรรมของโมเดลต่อข้อมูลประเภทต่างๆ
