📈 时间序列¶

🧠 NeurIPS2026 · 11 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 ×9

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。
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。
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。
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。
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。
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: 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。
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。
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 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。
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。