covariates

Timestral 是一个包含四个时间序列基础模型（参数量从 500 万到 2.09 亿）的模型家族，通过解耦预测时域、原生支持未来协变量，以及先进行合成数据预训练再进行混合后训练，在 GIFT-Eval、TIME 和 fev-bench 上实现了最先进的概率预测性能。

提出外生丢弃（exogenous dropout）——一种简单的训练干预方法，在训练期间随机将整个外生通道归零——以提高时间序列预测模型对协变量被破坏的鲁棒性。该方法在多种破坏类型和领域上匹配或超越更复杂的架构。

本文介绍了条件假设生成（Conditional Hypothesis Generation），这是一个结合研究者指定协变量的框架，用于引导基于LLM的文本分析发现有意义的子组差异，同时解决诸如层不平衡和符号反转等混杂因素。