#时间序列

OpenAI发布TeeMoE模型，能同时处理时间序列预测、上下文预测和语言推理，在三个基准测试中排名前三。

一篇时间序列方向的新论文，给 transformer 加了可写记忆层，能同时捕捉局部波动和全局趋势，低标注场景下分类效果不错，做时序的朋友可以看看。

Bloomberg 开源了 LUCID，专治时间序列里隐变量混杂导致的假因果边，F1 比最强基线高出 46%，做因果推断的可以试试。

这篇论文把语言模型和时间序列模型拼到了一起，用 220 万序列-文本对训练，预测和理解都能做，做时序方向的话可以看看它的对齐设计。

WPBench 把 26 个风电数据集汇成一个基准，19 个模型统一跑了一遍，做风电预测的直接对着选型就行。

农业AI研究：用多任务学习解决葡萄抗寒性预测难题，一个模型同时处理两个相关任务。

论文为时间序列变分自编码器提供了理论保证，解决了其在非独立同分布场景下的分析限制。

TraceBench发布了首个LLM智能体时间序列根因评估框架，包含数据集、实验结果和排行榜，tracebench.github.io可访问。

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

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

这篇论文在股票预测上用改进的Transformer和数据增强，在VN30和标普500上效果比堆模型还管用，值得看看具体方法。

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。

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。