本論文では、時系列プリトレーニングモデルの選択のための新しいフレームワーク「SwiftTS」を提案しています。従来のモデル選択は、各モデルを個別にファインチューニングする必要があり、非常に時間がかかります。SwiftTSは、過去のデータセットとモデルのパフォーマンスデータを活用することで、未見のデータセットに対するモデルのパフォーマンスを予測します。そして、軽量なデュアルエンコーダーアーキテクチャを用いて、データとモデルの埋め込み間の互換性スコアを算出し、効率的な選択を実現します。また、地平線適応型エキスパート構成モジュールや、クロスデータセット・クロスホライズンを利用した課題間学習を導入し、一般化能力を向上させています。14の下流データセットと8つのプリトレーニングモデルに関する広範な実験により、SwiftTSが最先端のパフォーマンスを達成していることが示されました。