u014546828的博客

《时间序列可解释性研究进展》 本文对比分析了TimeX++和ORTE两项最新时间序列可解释性研究。TimeX++从信息瓶颈原理出发，通过改进目标函数解决平凡解和分布偏移问题，提出生成分布内解释实例的框架，在合成和真实数据上验证了其有效性。ORTE则提出最优信息保留原则，利用条件互信息平衡冗余性和完整性，通过二元掩码和对比学习实现解释优化，在医疗金融等领域展现出优势。两项研究均从信息论角度推进了时间序列解释的理论基础，TimeX++侧重分布一致性保持，ORTE强调信息完整性权衡，分别通过不同技术路径提升了解释

本文摘要介绍了多个时间序列分析与预测的前沿模型与方法。包括通用预测模型TimeMixer++、基于Granger因果的异常根因分析、连续状态空间Feynman-Kac模型的概率方法等口头报告，以及在线预测、最优传输插补、扩散模型概率预测等海报展示。研究涵盖时间序列分类、异常检测、概率预测、因果发现等多个方向，采用了深度学习、贝叶斯方法、最优传输、扩散模型等技术，并探索了大语言模型在时间序列分析中的应用。这些工作推动了时间序列分析在可解释性、概率建模和通用基础模型方面的发展。

近期时间序列预测领域涌现多项创新研究，主要包括：FSTLLM提出时空大模型用于小样本预测；Sundial和TimeBase等构建高效基础模型；K²VAE、扩散模型等改进概率预测方法；隐私保护方面提出结构化子采样方案；多篇工作关注非平稳时间序列处理（TimeBridge、TimeStacker）。其他亮点包括：跨频交互模型CFPT、基于Koopman的KoNODE、检索增强预测框架、视觉-语言多模态模型（Time-VLM）以及轻量化模型LightGTS。研究趋势显示：基础模型优化、概率预测、多模态融合和计算效

本文提出了一种基于上下文学习的时间序列预测方法ICTSP，通过将预测任务构建为输入标记，而非传统的时间步或序列标记。该方法充分利用Transformer的上下文学习能力，将历史回望窗口与未来序列作为上下文示例，实现了更高效的参数利用和更强的泛化能力。实验表明，ICTSP在全数据、少样本和零样本设置下均优于现有方法，有效解决了传统Transformer模型在时间序列预测中存在的过拟合等问题。该方法无需依赖预训练大语言模型参数，计算效率更高，并能自适应不同复杂度的数据集，展现出作为通用时间序列预测解决方案的潜力

本文提出了一种基于最优传输的时间序列插补方法PSW-I，通过设计近端谱瓦瑟斯坦(PSW)差异度量解决现有分布对齐方法在时序数据中的局限性。PSW结合成对谱距离捕捉时序模式，并引入选择性匹配正则化增强对非平稳性的鲁棒性。实验表明，PSW-I无需掩盖观测值或训练参数模型，即可有效处理周期性、时间依赖等时序特征，在多种缺失场景下优于现有方法。该方法为时间序列缺失值插补提供了新的分布对齐视角，具有实现简便和样本效率高的优势。

摘要：本文提出Time-MoE，一种基于稀疏混合专家（MoE）的大规模时间序列基础模型，通过高效激活部分网络参数，在保持高模型容量的同时降低计算成本。Time-MoE采用仅解码器Transformer架构，支持可变输入长度与多分辨率预测，首次将时间序列模型扩展至24亿参数。基于自建的Time-300B数据集（覆盖9领域、3000亿时间点），实验表明Time-MoE在相同计算预算下显著优于密集模型，验证了时间序列预测中的Scaling Laws规律。