📈 时间序列¶
🧠 NeurIPS2026 · 95 篇论文解读
📌 同领域跨会议浏览: 🎞️ ECCV2026 (7) · 📷 CVPR2026 (7) · 🔬 ICLR2026 (121) · 💬 ACL2026 (8) · 🧪 ICML2026 (45) · 🤖 AAAI2026 (31)
🔥 高频主题: 时序预测 ×74 · 异常检测 ×6 · 多模态 ×4 · 扩散模型 ×3 · 对抗鲁棒 ×2
- A Locally Tokenized Generative Model for Robust Time-Series Watermarking
-
本文提出基于局部时序窗口离散表征的 L-VQVAE 生成模型及配套水印方案 LVQMark,通过将时序重编码约束在有界时间邻域内并结合奇偶交替红绿集划分与无偏预热采样,解决了后编辑攻击下全局耦合重编码导致的零假设双向漂移及假阳性失控难题。
- A Scalable Multi-Task Model for Virtual Sensors
-
针对传统虚拟传感器依赖孤立模型与人工选特征、难以协同且开销随测点线性爆炸的困境,本文提出首个统一的多任务虚拟传感器模型,通过原型 token 选择性预测新信号,端到端学习基于注意力的输入关联并实施结构化稀疏剪枝,在保持预测精度的同时实现最高 415 倍推理加速与 951 倍显存缩减。
- A Set-Sequence Model for Time Series
-
针对金融与工程中大规模高维截面时间序列预测难题,提出 Set-Sequence 架构,利用置换不变的 Set 模块在每步线性时间内自适应提取截面聚合表征,并与单体时序特征拼接送入序列骨干模型,在完全消除人工特征工程的同时兼顾未对齐时序和推理期动态样本规模。
AdaST: Adaptive Coupling for Spatial-Temporal Forecasting
- AdaST: Adaptive Coupling for Spatial-Temporal Forecasting
-
AdaST 将时空输入分成时间专属、空间专属和时空耦合三种表示,分别建模后用相关度调制的门控自适应重组,在四个短期传感器预测基准上取得表中最佳结果,其中 PurpleAir 的 MAE 从最强对照的 0.511 降至 0.489。
- AeroChem: Closed-loop Physics-Informed State Space Modeling for Long-term Chemically-Reactive Air Quality Forecasting
-
针对化学反应性空气质量长期预测中误差积累、物理漂移及突变事件平滑的痛点,AeroChem 提出了双分支闭环校正架构,将 S-Mamba 生成的概率虚拟观测与 UDE 物理过程先验在潜在状态空间通过神经卡尔曼融合实时校正,显著降低长程漂移并提升突变预测精度。
- Arbitrarily Conditioned Hierarchical Flows for Spatiotemporal Events
-
本文提出了分层流匹配框架 ARCH,通过将时空事件解耦为时间流与空间流,并结合混合掩码训练策略,首次在统一框架内兼顾了复杂事件分布的任意条件推断与瞬时事件风险(条件强度)的精确闭式计算。
- Benchmarking Sensor-Fault Robustness in Time Series Forecasting
-
提出了首个面向信息物理系统(CPS)时间序列预测的传感器故障鲁棒性评测基准 SensorFault-Bench,通过覆盖数值、时序与可用性三大故障家族的 8 种标准化场景与三元度量协议,揭示了名义误差领先模型在故障下的严重性能劣化及基础模型的适应性局限。
- Beyond Empirical Support: Structured Outlier Generation via Sinkhorn Optimal Transport
-
SBOG 用 Sinkhorn 支持度能量寻找潜空间边界锚点,在局部扰动中挑选低支持但语义受控的候选以合成异常,使 CARLA 的五数据集平均逐点 F1 从 0.362 提升至 0.432,并改善图像分布外检测;这些结果衡量下游效用,不等于恢复真实异常分布。
- CAST: Causal Anchored Simplex Transport for Distribution-Valued Time Series
-
针对分布值时间序列中相似观测在不同潜状态下演化差异导致的“潜转移核混叠”痛点,提出一种在概率单纯形上保持严格封闭的因果局部算子 CAST,通过历史后继检索、持续性锚定以及有序支集上的有界局部随机输运,显著降低多步自回归外推的长期漂移。
- COMET: Codebook-based Online-adaptive Multi-scale Embedding for Time-series Anomaly Detection
-
提出基于码本的在线自适应多尺度嵌入模型 COMET,通过变量级与跨变量联合的多尺度 Patch 编码提取时序特征,利用离散向量量化码本构建核心正常模式集以计算量化误差与局部尺度感知的记忆距离双重异常分,并在推理阶段基于码本激活模式生成无阈值伪标签实施在线对比学习自适应,显著超越现有 SOTA 并保持极高参数效率。
- CVTA: Cross-Variable Temporal Attention for Multivariate Irregular Time Series Prediction
-
针对非均匀采样且变量异质的多变量不规则时间序列,提出 CVTA 框架,通过递归维护由最新观测值、经过时间与局部斜率构成的紧凑可解释状态,并利用变量条件化嵌入与双分支跨变量时序注意力进行短期预测,兼具高预测精度、流式常数级在线推理效率与忠实可解释性。
- Cylindrical Geodesic Flow Matching for Quasiperiodic Physiological Signal Transformation
-
本文提出圆柱测地线流匹配(Cylindrical Geodesic Flow Matching),将准周期生理波形的瞬时相位与幅值嵌入到 \(S^1 \times \mathbb{R}_{>0}\) 圆柱流形上,利用闭式测地线桥替代传统仿射插值路径并提供内蕴切空间速度场参数化,在零样本 PPG 和小样本 SCG 跨部位波形转换基准上相比最强基线将 HT 距离、\(L_2\) 误差和 DTW 距离降低最高达约 15%。
- Detect, Explain, Interpret: An End-to-End Benchmark for Time Series Anomaly Detection, Explainability and Interpretability
-
提出了来自 Scality 分布式云存储系统真实环境的高维异常检测基准数据集 SHAD(215 条时间序列、171 个维度,附带细粒度维度级与语义化 XML 标注),并对涵盖检测(18 种探测器)、解释(维度贡献归因)与解释性(冻结大模型单次调用推理)的端到端 TSAD 全流程进行了系统性基准评测。
- DiffPTS: Rethinking Diffusion ELBO for Probabilistic Time Series Forecasting
-
DiffPTS 将历史条件下的高斯均值与方差估计器和去噪网络一起训练,用扩散 ELBO 导出的高斯负对数似然替代手工方差监督,在九个基准上改善 CRPS/MSE,其中 Traffic 相对 NsDiff 从 0.378/0.637 降至 0.270/0.456,但这不意味着校准指标也全面最优。
- Direct Estimation of Schrödinger Bridge Time-Series Drifts: Finite-Sample, Asymptotic, and Adaptive Guarantees
-
针对时间序列薛定谔桥(SBTS)漂移项估计问题,本文跳过传统的熵最优传输势函数优化与 Sinkhorn 迭代,直接基于条件期望比率闭式解构建 Nadaraya-Watson 核插入估计器,建立了有限样本一致误差界、渐近正态中心极限定理与具备全局极小极大率最优性的自适应带宽选择准则。
- Dirichlet-Guided Group Forecasting for Alleviating Over-smoothing in Time Series Forecasting
-
针对时间序列多步预测中易因非凸多模态未来被均值坍缩导致的过平滑问题,提出 DGF 框架,通过狄利克雷分布显式建模模式选择的二阶不确定性,并利用融合精度、动态一致性与模式多样性的分层 GRPO 强化学习,在不聚合互斥模式的前提下生成兼具高精度与动态尖锐度的预测轨迹。
- Discretizing Continuous Time Series for Imputation with Masked Diffusion Training
-
针对时间序列插补中缺失与观测表征混叠及连续扩散间接预测噪声的缺陷,MDTIM 引入随机离散化与序数感知软标签,将掩码扩散训练范式拓展至连续时序并实现期望无偏重构。
- Does Synthetic Data Help? Empirical Evidence from Deep Learning Time Series Forecasters
-
通过 9 组实验与 4,218 次运行的大规模实证,揭示合成数据对时间序列预测的影响高度依赖于模型架构:通道混合架构(TimesNet、iTransformer)系统性受益甚至在低资源下超越全量真实数据,而通道独立模型(DLinear、PatchTST)则普遍受损。
- dynamic dual-feedback conformal inference for time series forecasting
-
针对非平稳时间序列保形预测中单一步长更新易受随机噪声干扰而剧烈震荡的瓶颈,提出结合实际覆盖误差与保形经验分位数的双重反馈保形推断方法(DDCI),通过推拉自适应门控机制实现了显著更紧致且平稳的预测区间。
- E4GEN: Event-level Explainable Extreme-Enhanced Time-series Generation
-
E4GEN 提出面向事件级极端增强的时间序列可解释扩散生成框架,通过 E-Activator 自适应决定控制激活步、E-Predictor 自驱动预测结构化语义(结合 DCT-NIS 解决标签缺失)、E-Control 门控残差注入骨干降噪网络,系统解决极端事件生成的“何时、控制什么、如何控制”问题。
- Existence Precedes Value: Joint Modeling of Observational Existence and Evolving Values in Irregular Time Series
-
本文针对现有不规则时序预测依赖“未来有效观测时间戳预先已知”这一先验假设的缺陷,提出了 Timeflies 统一双流框架,将时序预测重新形式化为未来观测存在性与状态数值演化的联合推断问题,并构建了 Shadow 基准与 OVJE 综合评价指标。
- Existence Precedes Value: Joint Modeling of Observational Existence and Evolving States in Time Series Forecasting
-
针对传统不规则时间序列预测预先假定未来观测时间戳已知的严重缺陷,本文提出 Timeflies 双轨交互框架,将预测任务重塑为未来观测存在性推断与状态数值回归的联合建模,并在包含 31 个数据集的真实缺失基准 Shadow 上显著超越现有 SOTA。
- Explanation of Dynamic Physical Field Predictions Using WassersteinGrad: Application to Storm Surges
-
针对自回归天气预报等动态物理场模型在梯度平滑归因时产生的空间几何位移与相错误,本文提出了 WassersteinGrad,利用熵正则化 2-Wasserstein 重心提取扰动归因图的几何共识,在保持高忠实度与稀疏度的同时显著抑制归因漂移。
- Faithful Embeddings of Irregular and Asynchronous Data for Online Log-NCDEs
-
针对不规则与异步观测数据,本文提出一种基于对数签名的连续单射“忠实嵌入”方法,无需显式插值即可直接在任意查询区间组合观测增量并在线驱动 Log-NCDE,实现高达 3000 倍的训练加速与强抗丢点鲁棒性。
- Falcon-X: A Time Series Foundation Model for Heterogeneous Multivariate Modeling
-
Falcon-X 提出将物理变量解耦并投影至统一的潜在原型空间,利用差分注意力显式建模正负语义亲和度与协同/拮抗动态,在 GIFT-Eval 与 fev-bench 基准上大幅刷新多变量零样本预测 SOTA。
- FAME: Forecasting Academic Impact via Continuous-Time Manifold Evolution
-
针对静态大模型评估科学论文时忽视宏观演化趋势的缺陷,本文提出 FAME 连续时间流形演化框架,通过检索验证清洗知识流图并学习动态主题脊线,利用论文残差与演化动量的几何对齐实现高精度学术影响力前瞻预测。
- FAST-Brain: A Flow-Aligned Spatio-Temporal Surrogate Brain Model
-
针对传统全脑动力学模型在长程时序建模能力不足、忽略多重解剖空间先验以及高维空间预测低效的问题,FAST-Brain 提出了一种基于流对齐直接预测纯净 BOLD 信号的时空代理脑模型,结合历史条件 Transformer 与多图卷积网络,在理论上将逼近误差降至固有低维流形维度,显著提升了脑功能与有效连接的恢复精度。
- FLAME: Flow Enhanced Legendre Memory Models for General Time Series Forecasting
-
FLAME 结合平移/缩放勒让德多项式记忆机制与自回归掩蔽归一化流预测头,构建了参数量仅 2M~10M 却兼顾确定性与概率预测的高效轻量时序基础模型。
- From Jumps to Signatures: A Generative Method for Temporal Point Processes
-
针对神经时间点过程(TPP)依赖逐事件局部似然优化、缺乏全轨迹全局分布损失且无法直接对跳跃路径计算粗糙路径签名的难题,本文提出了保距单射的到达间隔连续路径嵌入,推导了严格的计数路径度量与分布差异,并构建了基于整条轨迹期望签名距离优化的生成模型 SigTPP。
- From Retrieval to Recognition: Knowledge-Enhanced Post-training of Time Series Foundation Models for Classification
-
提出即插即用的检索增强后训练范式 R2R,通过免梯度查询编码器从预训练知识库中显式检索判别性数值模式,并利用门控残差网络与基座模型参数化嵌入融合,在 158 个时序数据集上显著超越纯参数微调基线。
- GlucoFM: A Dual-Stream Foundation Model for Continuous Glucose Monitoring
-
GlucoFM 是一个面向连续血糖监测 (CGM) 的轻量化自监督基础模型,通过保留观测掩码将不规则数据对齐至 24 小时昼夜网格,采用可学习因果高斯滤波将血糖动态解耦为状态(慢变化趋势)与事件(短程波动)双流,并基于联合嵌入预测架构(JEPA)进行掩码上下文隐空间预测与时序动力学预测,在代谢表型分类与餐后血糖响应预测上全面超越现有通用时序模型及专用 CGM 基线。
- GlucoFM-Bench: Benchmarking Time-Series Foundation Models for Blood Glucose Forecasting
-
本文提出了首个针对持续血糖预测的时间序列基座模型标准化基准 GlucoFM-Bench,系统评估了 8 种代表性架构在 15 个真实 CGM 数据集上的零样本迁移、小样本适配与全样本表现,揭示了基座模型在稀缺低血糖区间上的泛化优势以及充裕数据下轻量专用模型的持久竞争力。
- Hermes: A Multi-Scale Spatial-Temporal Hypergraph Network for Stock Time Series Forecasting
-
Hermes 提出了一个融合多尺度时空超图与移动聚合的股票时序预测框架,通过滑动窗口补丁建模行业间动态领先-滞后依赖,并结合可学习马氏距离实现跨尺度超边信息融合,在美股三大基准上取得最优收益预测与夏普比率。
- High-Dimensional Gaussian Graphical Model Testing for Long-Memory Time Series
-
针对具有长程时序依赖的高维平稳高斯时间序列,本文提出基于样本协方差局部逆残差的最大值检验统计量与重叠块自助法判定阈值,并引入一致性增强修正项,在避免估计完整高维精度矩阵的前提下建立了有限样本高斯逼近误差界与两样本图结构一致性检验机制。
- In-Context Learning to Predict Critical Transitions in Dynamical Systems
-
提出了首个基于先验数据拟合网络(PFN)的动力系统临界转变预测模型 TipPFN,通过在大规模合成随机分岔动力学先验上预训练 Transformer,仅凭单次前向传播在上下文学习与零样本设定下实现对未见真实系统临界突变的提前高精度预警。
Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models
- Kairos: Toward Adaptive and Parameter-Efficient Time Series Foundation Models
-
Kairos 把时间序列的局部复杂度和实例级频谱差异分别交给混合粒度编码与动态旋转位置编码处理,再并行预测多个未来块,以 53M 参数在 GIFT-Eval 达到 0.738 的归一化 MASE,但概率预测与逐任务表现并非全面领先。
- KITE: A Knowledge-Injected Temporal Encoder for Time-Series Event Forecasting
-
针对多元时间序列中罕见高代价事件样本极度稀缺的难题,KITE 将工程师掌握的领域先验(周期、守恒律等)作为两类零初始化可切换输入注入自监督 JEPA 框架,在短上下文与跨域迁移场景下显著提升了时间跨度事件预测性能。
- Learning the Context of Errors: Black-Box Online Adaptation of Time Series Foundation Models
-
针对时序基础模型(TSFM)走向商业化闭源API后无法访问模型参数与内部梯度的困境,本文提出仅依赖外部输入输出接口的黑盒在线自适应框架ORCA,通过学习以历史输入和基础预测为条件的误差上下文分布,并结合结构化偏置线性适配器、带衰减经验回放与玻尔兹曼路由机制,在5个最新SOTA基础模型与8个基准数据集上取得了稳健的残差修正效果。
- LogSig-SSM: Time-Series Modelling with Multi-Scale Log-Signature Compression for State-Space Models
-
针对长序列多元时间序列中选择性状态空间模型(SSM)计算内存开销大且单层无法捕捉跨通道高阶几何相互作用的问题,本文提出 LogSig-SSM,结合多尺度窗口截断对数签名进行序列压缩,并在选择性 SSM 主干上实现高精度、低显存且对不规则采样鲁棒的高效建模。
- Massively Parallel Exact Inference for Hawkes Processes
-
将经典线性指数霍克斯过程的似然与梯度递推重构为增广状态下的稀疏转移矩阵乘法,结合 Blelloch 并行前缀扫描与分批状态传递,实现无近似、常数显存开销的百万至千万级事件极大似然并行精确推断。
- MissPath-FM: Flow Matching with Structured Priors for Partially Observed Time Series
-
针对条件流匹配在部分观测时间序列中从无信息高斯噪声起步浪费传输算力的瓶颈,MissPath-FM 提出了结构化源先验与缺失感知不对称概率路径,将向量场算力聚焦于真实缺失区域,在48个评测设置中斩获45个第一。
- MMTA: Benchmarking Multimodal Temporal Analysis with Time Series, Text, and Vision
-
本文提出首个联合真实视觉、时序信号与自然语言的三模态时序分析基准 MMTA,涵盖九大领域与视频/图像两类布局,揭示了现有多模态大模型将时序文本化导致上下文爆炸与跨模态失准的共性瓶颈,并设计了集成专用时序编码器与时间轴 RoPE 对齐的 TimeOmni-v 架构。
- MoCAR: Motion-code Coordinate-aware AutoRegression for Continuous Trajectory Forecasting
-
MoCAR 提出端点坐标归一化的连续动作代码(Motion Code),将轨迹预测转化为潜空间中的下一代码自回归预测,在无需轨迹空间重分词与提案微调阶段的前提下实现高效精准的多模态轨迹推演。
- MoCAR: Motion-code Coordinate-aware AutoRegression for Continuous Trajectory Forecasting
-
MoCAR 提出端点坐标归一化的连续动作代码(Motion Code),将轨迹预测转化为潜空间中的下一代码自回归预测,在无需轨迹空间重分词与提案微调阶段的前提下实现高效精准的多模态轨迹推演。
- MoveBench: A Benchmark for Global-Scale Wildlife Movement Forecasting
-
MoveBench 构建了首个全球尺度、覆盖110个物种与160种环境栅格图层的野生动物概率轨迹预测基准,并证明深度学习相较经典步长选择函数存在显著的个体间分布外泛化瓶颈。
- Multivariate Time Series Forecasting needs Cross Variable Loss
-
CvLoss 不改预测骨干,而是在逐点 MSE 之外约束不同变量预测片段之间的残差差异,在论文汇总的 114 个同骨干比较单元中得到 111 胜、2 平、1 负,且推理时无需计算该损失。
- Njord: A Probabilistic Graph Neural Network for Ensemble Ocean Forecasting
-
Njord 首次将条件深层隐变量模型与分层图神经网络引入高分辨率全球与区域海洋预报,结合球面 K-means 自适应几何网格与海冰物理约束,实现单次前向传播高效采样高保真海洋集合预报。
- OATS: Online Data Augmentation for Time Series Foundation Models
-
OATS 提出面向时间序列基础模型的在线数据增强范式,通过一阶泰勒展开的数据归因分数与信噪比联合构建时序影响分(TSIS),以高价值样本为条件驱动轻量条件扩散模型动态合成训练样本,并结合多臂老虎机探索-利用机制大幅缩减开销,在 6 个主流基准与 Encoder/Decoder 双架构上全面超越常规训练与静态增强基线。
- Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
-
将控制论中的可观测性引入连续时间因果推断,证明可观测潜状态充当因果中介变量以满足连续时间条件前门准则,并提出内建可观测规范形的 Observable Neural ODEs (ObsNODEs),在存在未观测混杂的情形下实现可识别的动态反事实预测。
- Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
-
将控制论中的可观测性引入连续时间因果推断,证明可观测潜状态充当因果中介变量以满足连续时间条件前门准则,并提出内建可观测规范形的 Observable Neural ODEs (ObsNODEs),在存在未观测混杂的情形下实现可识别的动态反事实预测。
- OliO: 基于 ODE 的线性转移算子用于自监督时间序列预测
-
OliO 提出了一种基于线性常微分方程(ODE)的自监督预训练转移算子,通过在生成元上施加严格上三角约束实现有限阶多项式双向时间转移,显著对齐潜空间时间流并提升长程时间序列预测性能。
- OliO: ODE-based Linear Transition Operator for Self-Supervised Time Series Forecasting
-
针对现有时间序列自监督表征学习忽略实际有符号时间跨度或破坏动态流的问题,OliO 提出了一种即插即用的线性 ODE 双向转移算子,利用严格上三角幂零矩阵诱导有限多项式变换,使模型在冻结或微调下游预测任务上取得显著增益。
- Ordinary Least Squares as an Attention Mechanism
-
论文证明了普通最小二乘法 (OLS) 样本外预测与受限线性注意力机制严格等价,将相关系数估计重塑为正交特征空间中的样本内积检索,并由此提出基于多头非线性注意力回归与基于多项式特征回归的轻量级 Transformer 模块(Regression Block)。
- Otter Weather: Skillful and Computationally Efficient Medium-Range Weather Forecasting
-
Otter Weather 彻底剥离气象领域专有的复杂几何归纳偏置,采用标准二维 Swin-UNet 结合 2D RoPE、SwiGLU 与 Muon 矩阵正交优化器,仅需单卡不足 3.5 A100-天的极低训练成本即可超越数值预报基线,并基于 CRPS 与副产物深度集成推进概率预报的精度-算力帕累托前沿。
- Paloma: Phase-Conditioned Residual Modulation for Time Series Forecasting
-
针对显式周期建模后残差常被简单视作无结构噪声的局限,本文提出 Paloma 框架,通过相位旋转与振幅缩放模块分别建模特征空间中的相位条件方向与幅度偏差,并可作为即插即用技术全面提升现有预测骨干。
- PAMod: Modeling Cyclical Shifts via Phase-Amplitude Modulation for Non-stationary Time Series Forecasting
-
针对真实时间序列中均值与方差随周期循环漂移的非平稳难题,PAMod 借鉴通信调制理论,在归一化特征空间通过可学习的周期嵌入分别进行加性相位调制(调整均值)与乘性幅度调制(调整方差),以轻量极简架构在 12 个真实基准上显著降低预测误差并减少 5-10 倍参数量。
- Parallel-in-Time Training of Recurrent Neural Networks for Dynamical Systems Reconstruction
-
针对传统时序反向传播(BPTT)无法扩展至超长序列且混沌动力学易引发梯度爆炸的难题,本文将广义教师强迫(GTF)引入非线性序列模型的并行求解框架 DEER,提出具备收敛理论保证的 GTF-DEER 算法,实现高达 870 倍训练加速并突破超长轨迹(\(T > 10^4\))动力系统重构。
- PG-LRF: Physiology-Guided Latent Rectified Flow for Electro-Hemodynamic PPG-to-ECG Generation
-
提出结合心脏电-血液动力学生理模拟器的潜空间整流流模型 PG-LRF,通过生理感知自编码器与前向动力学残差软引导,从穿戴式 PPG 高保真生成具有临床诊断价值的心电波形。
- PrismFlow: Residual Dynamics for Flow Matching in Time-Series Generation
-
针对流匹配(Flow Matching)在时间序列生成中因单模型速度场估计导致均值回归与模式坍塌的问题,PrismFlow 提出结合结构化 Koopman 线性动力学专家库与置信度感知赢者通吃(WTA)路由机制,以残差动力学校正全局传输场,显著恢复多尺度振荡谱与细粒度模式。
- Progressive Memory Transformer: Memory-Aware Attention for Time-Series
-
本文提出 Progressive Memory Transformer(PMT),通过随滑动窗口水平推进并在层间垂直融合的可写窗口记忆槽显式暴露中尺度模式表示,并配合 token 级连续性、记忆级模式一致性与序列级全局对比三尺度独立自监督目标,在七个低标签分类基准(1% 标签超越此前 5% 基线)与长时间跨度预测中显著优于现有自监督方案。
- Progressive Memory Transformer: Memory-Aware Attention for Time-Series
-
PMT 把随滑动窗口更新的可写记忆显式暴露为中尺度表示,并分别监督 token、记忆和序列摘要,在七个低标签分类数据集上取得平均 84.4% 准确率,同时用线索保留探针验证记忆确实携带跨窗口信息。
- Raw-Routed Mixture of Adapters: A Causal Intervention for Routing Collapse in Time Series Foundation Models
-
针对时间序列基础模型在实例归一化(RevIN)下微调混合适配器出现的“路由坍塌”问题,本文提出了在未归一化的原始输入上进行门控分发的 Raw-Routed Mixture of Adapters(RR-MoA),在冻结骨干网络下以极低开销实现多任务高质量适配。
- Raw-Routed Mixture of Adapters: A Causal Intervention for Routing Collapse in Time Series Foundation Models
-
RR-MoA 让轻量门控读取实例归一化之前的输入、让适配器专家继续读取冻结基础模型的隐状态,从路由输入端修复信息缺失,在作者报告的 54 个配对比较中均优于固定适配器,但基础版本仍不及从头训练的线性预测器。
- Realism VS Accuracy: Event Sequence Forecasting from a Generative Modeling Perspective
-
本文将包含数值与类别异质特征的事件序列多步预测重构为条件生成建模问题,揭示了预测准确度(Prediction Accuracy)与分布逼真度(Distributional Realism)之间的根本权衡,并提出了无需微调即可将扩散采样聚合成高精度预测的 Wasserstein BaryBooster 算法。
- ResCast-100K: A Comprehensive Dataset for Cross-Domain Residential Load and Indoor Temperature Forecasting
-
ResCast-100K 针对住宅建筑能耗与温度预测中跨域评测缺失和多变量耦合割裂的瓶颈,构建了包含 10 万栋仿真住宅三维耦合目标与 5 个真实世界数据集的统一基准,揭示了 MLP-Mixer 与交叉注意力模型在结构化分布偏移及 Sim-to-Real 迁移中的显著优越性。
- Rethinking Time Series Tokenization from a Frequency Perspective
-
针对主流时序模型中 Patch 与 Phase 分词引起的频谱泄漏与混叠失真,本文从频域边界条件推导了无失真分词准则,提出无参数、即插即用的 TimeFT 分词器,在长程预测、分类与异常检测任务上取得显著提升。
- Retrieval-Augmented Diffusion Modeling for Stochastic Discount Factor Portfolios
-
针对金融市场非平稳状态转移与多模态噪声导致定价流形畸变的问题,提出结合历史情境检索与状态依赖扩散去噪的 RADAR 框架,通过经验条件统计量初始化扩散过程并优化随机折现因子(SDF),显著提升投资组合的风险调整收益与异质性 Alpha。
- Retrieval Over Training: Similarity search-based Model Selection for Time Series Anomaly Detection
-
针对时间序列异常检测中无单一最优检测器且可训练元选择器面临域泛化失效与重新训练开销的痛点,提出免训练检索式模型选择框架 RAMSAD,通过基础时序模型分段表征与多正例跨模态语义对齐,在知识库中匹配近邻时序实例并聚合检测器性能剖面完成零样本迁移推荐,在分布内与分布外设定下显著超越现有选择器并达到与全局集成相当的精度。
- Revitalizing Medical Time Series with Vision-Informed Retrieval: A Vision-Language Perspective
-
针对传统医疗时间序列仅建模数值序列而忽视临床波形形态学线索的问题,ViRe利用预训练冻结的CLIP提取波形视觉Query,通过双分支交叉注意力从时序与通道数值特征中检索临床相关证据,在六项公开基准上实现平均6.42%的性能提升。
- Revitalizing Medical Time Series with Vision-Informed Retrieval: A Vision-Language Perspective
-
ViRe 将同一 EEG/ECG 数值片段绘成波形,用冻结 CLIP 的视觉特征作为查询,从时间和通道数值 token 中检索证据;六个基准的六指标综合均值由 Medformer 的 77.90 提升到 82.90,但不是六个数据集全部领先,也不是患者级诊断准确率。
- SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning
-
SCDM 将非线性时间序列因果发现建模为跨目标变量任务的共享参数元学习问题,通过目标任务子采样、临时支持集自适应更新全局因果强度矩阵,并在事后通过扰动或结构权重提取因果图,在千维变量系统上实现了计算效率与发现精度的显著提升。
- SDFlow: Similarity-Driven Flow Matching for Time Series Generation
-
针对自回归离散时间序列生成中曝光偏差导致的误差级联累积与高维隐空间传输难题,SDFlow 在冻结的 VQ-VAE 空间中提出非自回归流匹配框架,通过端到端低秩流形分解构建锚点先验,并结合分类后验交叉熵实现连续传输下的离散监督,在长序列生成中取得 SOTA 质量与 3–10 倍推理加速。
- SeoulMMOD: A Large-Scale Multimodal Origin-Destination Flow Benchmark
-
构建了覆盖首尔市 3 年(2023–2025)、6 种交通方式、双层空间尺度(25 区与 426 亚区)的大规模多模态 OD 出行流基准 SeoulMMOD,基准评测 14 种预测模型并揭示了现有模型在细粒度空间扩展与朴素多模态联合建模上的关键局限。
- SPATIALEPIBENCH: Benchmarking Spatial Information and Epidemic Priors in Forecasting
-
提出了涵盖 11 个跨模态流行病数据集的综合时空评测基准 SpatialEpiBench,系统揭示了基于地理邻接的时空图神经网络在疫情爆发期乃至常规预测中普遍落后于简单最后值基线的反常现象,并深入剖析了空间信息失效与暴发滞后的根因。
- STAR: boosting time series foundation models for anomaly detection through STate-aware AdapteR
-
STAR 提出了即插即用的状态感知适配器(STate-aware AdapteR),通过标识引导的状态编码器、条件瓶颈适配器与数值-状态对比匹配机制,在微调阶段赋予时间序列基础模型对离散系统状态的感知与条件调制能力,显著提升复杂工业场景下的异常检测性能。
- SteerCast: Retrieval-Based Latent Steering for Decoder-Only Time Series Forecasting
-
SteerCast 针对 Decoder-only 架构自回归时序预测模型长视距下累积误差传播的痛点,提出一种无需梯度更新与额外训练的测试时检索隐空间导向机制,通过在自回归解码隐状态中自适应注入真实轨迹与预测轨迹的差分导向向量,显著提升了十大多变量基准上的预测精度。
- STEP: Learning STructured Embeddings for Progressive Time Series
-
STEP 提出通过正交原型锚定与余弦三元组损失构建结构化低维潜空间流形,从其极坐标导出无需代理标签的“潜空间罗盘”(角度追踪退化进程、半径识别运行工况),使简单线性回归即可媲美或超越复杂黑盒深度模型的预测性能。
- TempoPFN: Synthetic Pre-training of Linear RNNs for Zero-shot Time Series Forecasting
-
TempoPFN 提出首个基于 GatedDeltaProduct 线性循环神经网络的单变量时间序列基础模型,完全依赖统一了体制转换 Ornstein–Uhlenbeck SDE、因果 SCM 与音频合成的纯合成数据管线进行预训练,配合层间状态编织机制,在无需窗口切分或分块启发式策略下实现了全序列并行训练与长视界零样本预测,在 Gift-Eval 和 fev-bench 榜单上超越全部纯合成基线并比肩主流真实数据预训练大模型。
- TENET: Time-point Encoding Network for Multivariate Time Series Anomaly Detection
-
将多变量时序异常检测重构为当前时间点系统状态与正常空间的相容性评估,提出以当前点为锚点的主动历史检索网络 TENET,配以固定标准正态负对数似然打分,在四大真实基准上全面大幅超越重构与预测基线。
- TimeClaw: A Time-Series AI Agent with Exploratory Execution Learning
-
TimeClaw 针对时序智能体在数值可验证任务中“仅凭完成度监督”和“工具先验坍塌”两大瓶颈,构建了“探索-比较-蒸馏-重注入”闭环,利用真实误差指标对比候选执行轨迹并提炼参数外层次化经验,在基座模型完全冻结下刷新了 17 项金融与气象基准任务。
- TimeES: Probabilistic and Deterministic Time Series Forecasting via Evolutionary Spectra
-
TimeES 用轻量网络预测逐时间步的复数谱幅度,再以固定傅里叶相位和跨预测区间共享的频率随机变量合成轨迹,统一确定性与概率预测;九个概率预测数据集上的平均结果较强,但 ILI 明确退步,谱恢复与不确定性训练也仍有需要审慎理解的边界。
- TimeTok: Granularity-Controllable Time-Series Generation via Hierarchical Tokenization
-
TimeTok 提出了一个统一的粒度可控时间序列生成框架(GC-TSG),通过将时序映射为语义由粗到细的分层离散 Token,结合流匹配解码与块自回归 Transformer,实现了从粗粒度草图到任意目标精度的可控细化与高质量生成。
- TimeTok: Granularity-Controllable Time-Series Generation via Hierarchical Tokenization
-
TimeTok 将时间序列编码成具有由粗到细语义的离散 token 前缀,通过粒度块自回归补充细节、条件流匹配解码控制输出粒度,在条件细化和生成分布指标上表现突出,但并非所有下游预测指标最优。
- TiRex-2: Generalizing TiRex to Multivariate Data and Streaming
-
TiRex-2 扩展了基于 xLSTM 的循环时序基座模型,提出双向时间混合与非对称分组注意力变量混合机制,在严格防止未来目标信息泄露的前提下双向整合未来已知协变量,并以常数级单步开销实现超长上下文流式预测。
- To See Far, Look Close: Evolutionary Forecasting for Long-term Time Series
-
针对长程时间序列预测中直接预测(Direct Forecasting)将输出步长与评测窗口刚性绑定所导致的重训开销与梯度冲突病态,本文提出进化预测(Evolutionary Forecasting, EF)范式,通过短步长推理块的递归演化与多阶段无损滑窗,以单次训练全面超越针对各评测窗口专门调优的基线模型,并在极值外推场景展现出高度渐近稳定性。
- Topological Periodicity Test (TopPT) via Confidence Bound of Time-Delay Embeddings
-
TopPT 将延迟点云中的“早出生且长寿命的环”转化为带子采样置信半径的统计检验,在受限、定量分离的信号类上给出渐近误差控制;合成实验中 raw 规则检出两类周期信号且未拒绝四类结构化非周期信号,但插值误差修正明显降低检出率,真实呼吸数据只验证局部环结构检测。
- TS-ICL: A Flexible Time-Indexed Foundation Model for Time Series via In-Context Learning
-
TS-ICL 将时间序列预测与插补统一表述为基于任意时间戳的上下文回归问题,通过结构因果模型合成多元先验并结合编码器-回归器架构,实现了高效的零样本插补与协变量感知预测。
- TSQAgent: Rating Time Series Data Quality via Dedicated Agentic Reasoning
-
针对大语言模型在时序数据质量评估中维度泛化差与数值推理弱的问题,本文提出包含感知者、检查者和裁判者的多智能体框架 TSQAgent,通过定制 GRPO 强化学习进行自适应维度规划并结合 16 种外置时序工具实现精准成对质检与数据筛选。
- TStruct: Learning Shared Temporal Structures for Long-term Time-Series Forecasting
-
针对真实时间序列低信噪比与分布偏移导致的偶然交互过拟合难题,TStruct 通过显式参数化一组全局共享的时序依赖结构基元,并利用样本动态特征与变量静态先验进行自适应软分配加权,在保持高计算效率的同时于 7 大主流基准上全面超越现有 Transformer 与线性基线。
- Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting
-
针对概率天气预报中多步生成模型推理成本高昂的难题,Tyche 通过目标感知平均速度流与雅可比向量积(JVP)正则化实现无需蒸馏的单步条件传输(1-NFE),并结合 CRPS 课程自回归微调抑制长时间预报的误差累积,在保持物理一致性与集合校准度的同时实现了 12 至 45 倍的生成加速。
- VACE: Learning Geometrically Structured Representations for Time Series Anomaly Detection
-
VACE 抛弃传统对比学习的负样本启发式采样,利用深度可分离卷积提取通道特征并设计前后向速度一致性损失,将正常时序显式塑造成紧凑且方向连贯的潜空间轨迹,在推理阶段乘性联合马氏距离位置分与速度库方向分,在 TSB-AD-M 基准上以极低算力斩获 SOTA。
- Why Do Time Series Models Need Long Context Windows?
-
揭示了全局时间序列模型依赖长上下文的核心机制不仅是捕捉长程时序依赖,更是在执行「生成过程识别(GPI)」,据此提出解耦 GPI 提取与条件预测(CF)的轻量化预测架构,在同等精度下实现最高百倍级推理加速与 Pareto 最优。
- 记忆决定学习方向:状态空间模型中基于梯度的优化理论
-
本文通过记忆函数(Memory Function)形式化分析了线性状态空间模型(SSM)的梯度优化动力学,证明初始状态矩阵特征值张成的范德蒙投影算子决定了反向传播的学习方向,从而在理论上确立了 S4 与 S4D 的等价性,并提出在保留高阶长程记忆初始化的前提下直接冻结递归权重的储备池优化策略。