AITOP

时间序列

共 21 条相关 AI 资讯
8月20日
10:15
10:15官方账号arXiv cs.AI@Dongbin Kim, Seungyun Lee, Geonwoo Shin, Jaewook Lee
提出名为MDTIM的模型，采用掩码扩散技术解决时间序列插值问题；该模型对连续时间序列数据进行离散化处理后开展插值，与直接预测噪声的方式存在差异；在多个公开基准数据集上测试后，MDTIM的表现显著优于当前最先进的算法。
AI模型MDTIM时间序列扩散模型
推荐理由：你说的那个MDTI模型，用掩码扩散来做时间序列插值，效果比之前的方法都强，感兴趣的话可以去了解下
原文
8月14日
11:08
11:08官方账号arXiv cs.LG@Lei Bai, Jiaqi Cao, Chiyu Chen, Guanzhou Chen, Kai Chen, Guangran Cheng, Erfei Cui, Xuanlang Dai, Shengyuan Ding, Shangheng Du, Yanhui Duan, Yue Fan, Youqing Fang, Quan Gan, Yuanyuan Gao, Jiaye Ge, Lixin Gu, Yuzhe Gu, Qipeng Guo, Junjun He, Xin Hong, Ming Hu, Zhouqi Hua, Haian Huang, Junhao Huang, Zixian Huang, Minxi Jin, Lingkai Kong, Alexander Lam, Zehao Li, Zonglin Li, Tianhao Liang, Dahua Lin, Junyao Lin, Tianyang Lin, Zhouhan Lin, Jiangning Liu, Jin Liu, Kuikun Liu, Wenran Liu, Yifei Liu, Yuhong Liu, Yuhong Liu, Zhoumianze Liu, Ziyan Liu, Ziyu Liu, Haijun Lv, Han Lv, Chengqi Lyu, Le Ma, Ningsheng Ma, Zerun Ma, Haoyang Peng, Runyu Peng, Jifei Shan, Zixin Shang, Kou Shi, Xiang Shi, Qisheng Su, Xuerui Su, Hao Sun, Xiao Sun, Yanan Sun, Yu Sun, Huanze Tang, Yinghao Tang, Wenhui Tian, Zhongbo Tian, Bingli Wang, Haomin Wang, Jiarui Wang, Jingzhi Wang, Rui Wang, Xiquan Wang, Yi Wang, Zhecan Wang, Ziyi Wang, Zun Wang, Rubin Wei, Lianyi Wu, Wen Wu, Yue Wu, Yuhan Wu, Zhenyu Wu, Zijian Wu, Shuhao Xing, Jun Xu, Xingle Xu, Xuenan Xu, Xiangchao Yan, Ziang Yan, Bowen Yang, Danni Yang, Lin Yang, Zhiqi Yang, Qian Yao, Haochen Ye, Peng Ye, Jinhui Yin, Jiashuo Yu, Dingbo Yuan, Fei Yuan, Yuhang Zang, Bo Zhang, Chao Zhang, Chen Zhang, Hongjie Zhang, Junming Zhang, Wenlong Zhang, Wenwei Zhang, Yiming Zhang, Zhuo Zhang, Ziyang Zhang, Haiteng Zhao, Penghao Zhao, Yibo Zhao, Zhonghan Zhao, Zhihang Zhong, Bowen Zhou, Peiheng Zhou, Xin Zhou, Xinyu Zhou, Yunhua Zhou, Dongsheng Zhu, Yicheng Zou
Intern-S2-Preview 是一系列面向科学发现的智能体基础模型，支持多模态科学理解、推理、生成和长周期任务。训练流程包含科学多模态预训练、监督微调、多任务强化学习及智能体 RL，并引入部分 rollout、自适应长度正则化等技巧提升稳定性。其中 Intern-S2-Preview-397B 在 SciTS 时间序列基准上取得领先表现，同时其时间序列模块增强了科学信号理解与预测。独立的 Intern-MemDec-4B 扩展将 Biology-Instructions 平均分从 56.92 提升至 60.32，且无需修改冻结的 397B 主干。
AI模型Intern-S2-Preview科学智能体多模态
推荐理由：这个科学智能体模型能处理多模态数据，397B 版在时间序列预测上很强，还有个 4B 小模型能直接把生物任务分数拉高，适合搞科研的人看看。
原文
8月7日
12:51
12:51官方账号arXiv cs.LG@Daniel Paulin, Victor Elvira
该研究提出一种VARMA模型估计框架，使每次优化迭代的计算成本与序列长度T无关，通过偏自相关重参数化保证平稳性和可逆性。损失函数仅依赖固定大小的充分统计量，借助Parseval恒等式以近线性成本评估截断长度。两种点估计器（正则化最小二乘和协方差边缘化最大后验）在固定维度下以近参数速率恢复真实过程的无穷自回归表示。实验中，从d=10到d=40，估计器接近oracle预测误差，而经典条件MLE在d=40时产生非可逆拟合且预测发散。该方法在零售需求、气象和空气质量数据上匹配或优于VAR、贝叶斯VAR、成分ARMA和稀疏VARMA基线。
论文VARMA时间序列估计方法
推荐理由：这篇论文把VARMA从低维度限制里解放出来了，迭代成本不再随序列长度增长，在d=40时还能稳定预测，做时间序列的可以看看。
原文
8月3日
10:07
10:07官方账号arXiv cs.LG@Antonia Holzapfel, Andres Felipe Posada Moreno, Sebastian Trimpe
CENDRe是一种面向CNN时间序列分类器的概念提取方法，自动发现驱动预测的时域和频域模式。它通过两阶段聚类和轮廓系数指导的聚合自动确定概念数量，无需预设。方法利用存在分数的梯度生成时域掩码，并经可逆傅里叶变换映射到频域，实现同一概念的频域定位。在合成基准上，CENDRe的表示正确性与现有方法相当，重要性正确性显著更高。在真实轴承故障数据上，它提取出驱动模型预测的频带，为故障诊断提供时域方法无法给出的证据。
论文CENDRe概念提取时间序列
推荐理由：这篇论文提出了CENDRe，给时间序列CNN做概念提取，能自动找概念数量，还能同时定位时域和频域，比只看时域的方法更靠谱。
原文
7月31日
11:05
11:05官方账号arXiv cs.LG@Yusen Liu, Yong Wang, Yifan Yin, Tianqing Zhu, Xiufeng Liu, Huan Huo
本文提出一个基于Transformer自注意力机制的因果发现框架，用于处理多元时间序列数据。新引入的倒置因果自注意力模块（CSAM）通过翻转token并引入注意力稀疏性，突出潜在和间接因果关系，抑制伪相关。框架还包含全局因果算法与因果验证模块，前者提供整体因果影响度量，后者增强识别出的因果关系的可靠性。在线性和非线性数据集上的实验及消融研究表明，该框架优于现有方法。
论文CSAM因果推断时间序列
推荐理由：这篇论文把Transformer的自注意力倒过来用，专门抓多元时间序列里的间接因果，还带验证模块，实验效果比现有方法好。搞因果推断的值得看看。
原文
7月29日
11:14
11:14官方账号arXiv cs.AI@Frank Nie, Ethan B Liu, Yuan Zhu, Wei Fan, Jindong Han
ClinPRISM是一个针对不规则临床时间序列（ICTS）问答的多模态LLM推理框架，采用4B参数LLM骨干。它通过不规则感知多尺度编码器捕获稀疏临床证据，使用时间证据蒸馏器将多尺度表示压缩为16个LLM兼容tokens。框架引入渐进对齐策略，将不规则轨迹与LLM文本嵌入空间对齐。训练数据包含30,000个临床时间序列和41,000个指令微调实例，覆盖11个任务。在保留评估基准上，ClinPRISM达到最先进性能，平均推理延迟仅0.15秒每问题。
论文ClinPRISM多模态时间序列
推荐理由：这论文搞了个ClinPRISM框架，专门搞定不规则时间序列的医疗问答，只用16个token和0.15秒回答一个问题，比现有大模型省资源还更准。
原文
7月28日
11:51
11:51官方账号arXiv cs.LG@Mohammad Fesanghary
Causal-TS 是一个开源 Python 库，专为高维和非平稳多变量时间序列的因果发现设计。它提供了四种专用算法 CDNOTS、CDNOTS+、CEDAR 和 GRACE，并集成了 GES、Granger、LASSO-VAR 和 LGES 等现有方法的包装器。所有算法共享一个基于 PyTorch 的 GPU 加速条件独立性测试层。库中还包含一个体制发现管道，通过可插拔的变点检测器识别结构断点，并对每个体制独立运行因果发现。Causal-TS 支持 Python 3.10 至 3.12，可通过 pip 安装，并可选集成 DoWhy 进行因果效应估计。
论文Causal-TS时间序列因果发现
推荐理由：Bloomberg 开源了 Causal-TS，专门处理高维、非平稳时间序列的因果发现，比通用库多了专用算法和 GPU 加速，还有断点检测功能，做时序因果分析可以试试。
原文
7月24日
12:04
12:04官方账号arXiv cs.LG@Hongnan Ma, Yiwei Shi, Mengyue Yang, Weiru Liu
TimePNS框架解决了现有充分性导向方法可能将无关子序列误判为重要的问题，该框架采用两阶段设计：阶段I学习因果生成过程和充分性掩码；阶段II通过反事实干预评估时间因子的必要性，并以此监督时间门细化解释。在合成和真实时间序列基准上的实验表明，TimePNS能更准确地识别决策关键子序列，并在充分性-必要性权衡上持续优于强基线方法。
论文TimePNS时间序列可解释性
推荐理由：时间序列分类的黑盒解释往往只找够用的特征，但可能抓到噪音。这篇论文提出了TimePNS，用反事实推理揪出真正必要的子序列，实验效果比现有方法好。
原文
7月21日
09:56
09:56官方账号arXiv cs.LG@Rong Fu, Yongtai Liu, Xiaowen Ma, Haoyu Zhao, Shuo Yin, Yiqing Lyu, Long Zhang, Wangyu Wu
精选
DynImmune-BERT是一种连续时间免疫组库模型，用于患者免疫状态预测。该模型结合了深度自适应中心对数比初始化、克隆存在门控神经ODE动态和边界邻域自注意力。它通过低秩元适配器初始化复发克隆型，参数数量独立于观察到的克隆数。在纵向T细胞受体库数据集上的评估显示，事件感知的时间建模能增强静态编码器性能，但小规模外部队列需谨慎解读。
AI模型DynImmune-BERT免疫组库神经ODE
推荐理由：你要是做免疫组库时间序列分析，这个模型把神经ODE和Transformer揉在一起，能处理克隆动态和复发，比静态模型强。
原文
7月16日
11:08
11:08官方账号arXiv cs.LG@Yiming Ma, Xinyu Chen
VAIOM 是一种 decoder-only Transformer，专门用于对一小时的汇率柱进行概率性下一回报建模。它采用连续多元金融事件向量作为输入，同时将输出建模为波动率归一化后收益桶上的类别分布。在 0.9M 混合连续输入模型上，结合了连续事件特征和分类资产元数据，以及混合市场状态回报头、间隙、波动率制度和序数辅助目标，并通过全序列监督进行训练。在 2025 年的两个测试周期中，VAIOM 在所有训练种子上均优于固定单柱 LightGBM 基线，标准检查点的增益分别为每个事件 0.029 和 0.043 比特。对比实验表明，连续输入优于离散令牌输入，全序列监督优于最后一个位置训练，且辅助表征塑造和混合结构回报头改善了回报似然。
论文VAIOM金融建模时间序列
推荐理由：VAIOM 是专门处理金融连续数据的解码器模型，在汇率数据上比 LightGBM 强 0.03 比特以上，创新点是把连续输入和离散输出分开建模，值得做时序预测的人一看。
原文
7月13日
09:25
09:25官方账号arXiv cs.LG@Alexander Munteanu, Matteo Russo, David Saulpic, Chris Schwiegelshohn
该论文提出了一种保持线段结构的终端嵌入，解决了传统终端嵌入无法处理直线插值等线性结构的问题。利用该嵌入，作者获得了首个无维度依赖的时间序列聚类coresets，基于Fréchet距离。实验在合成和真实时间序列数据上显示，终端嵌入性能与Johnson-Lindenstrauss嵌入相当，且优于PCA。
论文终端嵌入时间序列降维
推荐理由：这篇论文把终端嵌入推广到了线段结构，首次做出了无维度依赖的时间序列聚类coresets，比PCA效果还好。
原文
7月9日
09:26
09:26官方账号arXiv cs.AI@Leonardo Nogueira Falabella, Vasily Sazonov
该论文提出一种混合量子-经典架构，将量子卷积神经网络（QCNN）与路径签名核（path signature kernel）结合，用于时间序列分类。架构通过特征层计算参考路径与目标路径之间的签名核，使用经典或量子变分线性求解器（VQLS）实现。在基于手写数字时间序列表示的二元分类任务中，作者评估了不同QCNN配置下的多个实现版本。实验表明，在量子电路中引入路径签名核层具有潜在优势，同时分析了VQLS组件的计算局限性。
论文QCNNVQLSpath signature
推荐理由：一篇用QCNN和路径签名核搞定时间序列分类的新论文，手写数字分类实验证明了量子电路里加签名核的有效性，适合关注量子机器学习的朋友。
原文
7月2日
09:59
09:59官方账号arXiv cs.LG@Alexander Chemeris, Ming Jin, Randall Balestriero
LeNEPA（Latent Euclidean Next-Embedding Prediction Architecture）是一种新的自监督学习架构，采用无增强的下一潜在令牌预测目标，使用因果骨干和SIGReg正则化替代stop-gradient/EMA。在PTB-XL和Diag数据集上，LeNEPA在固定水平冻结探头协议下表现优于ECG-tuned JEPA，后者在跨域时性能下降。LeNEPA在2-5k次更新后达到80%的最终AUROC/AUPRC增益，而JEPA需要5-10k次。在UCR-128基准上，CauKer预训练的LeNEPA变体达到77.65%的平均随机森林准确率，接近Mantis（77.89%）和MOMENT（77.89%）。
AI模型LeNEPAJEPA时间序列
推荐理由：想找一种不用数据增强的时间序列自监督方法？LeNEPA用下一个潜在预测取代传统对比学习，在跨数据集表现更稳，学习速度也快一倍。
原文
09:58
09:58官方账号arXiv cs.LG@Alexander Chemeris, Ming Jin, Randall Balestriero
Aionoscope是一个基于生成器的诊断工具，用于调试冻结时间序列表示中的潜在状态可访问性。它通过原始过程混合生成带有精确类别和密集标签的合成流。研究对37个模型加适配器系统进行了线性探测评估，发现粗粒度表示（如成分存在性）容易恢复，但密集过程状态（如时序、相位）的可靠性较低：最高密集探测均值掩码R²为0.689，而密集特征oracle为0.999。该工具揭示了表示可能表面信息丰富但隐藏了调试所需的细粒度变量。
论文Aionoscope时间序列表示学习
推荐理由：这篇论文提出了一个实用工具，帮你检查时间序列模型到底学到了什么，而不仅是预测准确度。
原文
6月29日
10:13
10:13官方账号arXiv cs.LG@Yuanyuan Wang, Wenjie Wang, Haoxuan Li, Mingming Gong, Kun Zhang
精选
研究团队在连续时间潜在随机微分方程（SDE）模型中提出了基于环境诱导的扩散协方差偏移的可识别性方法。在共享漂移但环境特定扩散协方差条件下，两个具有成对坐标方差比不同的对角扩散机制可将潜在坐标识别至置换和缩放。该结果首先在线性Ornstein-Uhlenbeck系统中证明，然后推广至一般加性噪声潜SDE。在温和光滑性下，瞬时漂移-雅可比因果图也可识别至相同置换。实验在合成系统和Hardanger大桥监测数据上验证了理论。
论文可识别性SDE因果表示学习
推荐理由：这篇论文用扩散偏移解决了连续时间潜变量因果模型的可识别性难题，不需要稀疏性假设，还拿真实桥梁数据做了验证，做时间序列因果推断的值得看看。
原文
6月24日
11:50
11:50官方账号arXiv cs.LG@Giorgio Corani, Stefano Damato, Dario Azzimonti, Lorenzo Zambon
该论文探讨了在多个时间序列数据集上，使用适当评分规则（如平均分、中位分、平均排名）进行概率模型选择时出现的冲突问题。研究发现，这些统计量产生冲突决策的原因是评分分布的偏态性。随着每个时间序列测试集增大，不同模型选择标准会逐渐收敛到相同结论；但对于短测试集，只有平均分能正确识别真实模型。论文基于间歇性时间序列（包括M5竞赛数据集）进行了实验验证，强调了大规模测试集的重要性。
论文M5 competition适当评分规则时间序列
推荐理由：这篇论文用M5竞赛数据测试了不同模型选择标准，发现短测试集时只有平均分靠谱。搞时间序列模型的人可以参考。
原文
6月23日
10:47
10:47官方账号arXiv cs.LG@Rodrigo Herrera, Vianey Leos-Barajas, Gwendolyn Eadie, Elizaveta Semenova, James Davenport
该论文提出一种生成式替代框架，利用变分自编码器（VAE）学习Celerite先验的压缩表示，将高维相关随机依赖映射到低维各向同性流形，从而绕过精确协方差运算，将计算负担转为快速神经网络前馈。在模拟研究中，该VAE替代框架准确再现了Celerite等精确物理核的结构保真度。作者将VAE近似嵌入结合Celerite和隐马尔可夫模型（HMM）的加性模型，用于恒星耀斑检测。在实测天体物理时间序列上，VAE+HMM架构相比精确Celerite+HMM框架显著降低了计算时间，实现了大规模数据档案中的恒星耀斑特征化。
论文CeleriteVAEHMM
推荐理由：这篇论文用VAE加速了Celerite和HMM的恒星耀斑检测，解决了GP计算慢的老问题，实测时间大幅缩短，做天文时间序列分析的值得一看。
原文
6月20日
17:12
6月16日
09:48
6月1日
10:12
10:12官方账号arXiv cs.LG@Utsav Dutta, Gerardo Pastrana, Sina Khoshfetrat Pakazad, Henrik Ohlsson
CHARM是一种基于Transformer的通道感知表示模型，通过将通道级文本描述集成到编码器中，实现了对异构多变量时间序列的通用表示学习。该模型采用联合嵌入预测架构（JEPA）训练，并引入新损失函数以促进信息丰富且时间稳定的嵌入，在潜在空间预测中增强对传感器噪声的鲁棒性。在异常检测、分类和短期/长期预测任务中，仅使用线性探针即可达到强性能。性能提升主要归功于JEPA目标和条件架构，文本描述作为通道标识符支持跨数据集泛化。
论文时间序列多模态JEPA
推荐理由：CHARM解决了多变量时间序列表示学习的通用性问题，做传感器数据分析、工业监控或金融时序预测的团队可以直接用线性探针获得强性能，值得关注其跨数据集泛化能力。
原文
5月29日
12:14
12:14官方账号arXiv cs.LG@Hanyang Jiang, Rina Foygel Barber, Ashwin Pananjady, Yao Xie
传统共形预测方法依赖数据可交换性和无记忆预测器，这在时间序列中不现实。近期研究表明分割共形预测对时间序列的依赖性和记忆性预测器具有鲁棒性，但分割会降低精度。本文发现原始留一法Jackknife在时间序列中可能严重损失覆盖率，因此提出“留窗口法”（LWO），通过修改Jackknife使其在温和稳定性条件下实现有效覆盖率。实验显示LWO在原始Jackknife失效时仍能保持有效覆盖率，且预测区间比分割共形预测更窄。
论文时间序列共形预测Jackknife
推荐理由：时间序列预测的置信区间一直是个难题，做时序建模的团队可以试试LWO——它比分割法更高效，也比原始Jackknife更可靠，值得在ARIMA或LSTM上跑一跑。
原文