time-series

The paper proposes QUAL, a label-free framework that aligns quantiles of time-series foundation models using the model pool as a probability reference, then applies Huber aggregation for robust zero-shot forecasting, reducing average member MASE by 7.4% and CRPS by 9.8% on GIFT-Eval.

A paper proposing the Task-Aware Diffusion Refiner (TADR), a conditional diffusion model trained against a frozen downstream anomaly detector to fix imputation bias in block-missing IIoT sensor data, improving F1 by 0.338 on SMD while running at 41.4 ms per window on a single CPU core.

论文提出 ATEMPO，一种基于扩散模型的转移熵估计器，可在滞后维度和时间维度上进行摊销估计，单一拟合即可恢复完整的转移熵曲面，并在时变滞后系统、天气预测和脑机接口任务中实现更优的滞后检测与下游预测性能。

The paper introduces the Clustering Occupation Kernel (CLOCK) method, a representation-based framework that embeds time series from dynamical systems into an RKHS to enable clustering via maximum mean discrepancy between attractors, validated on synthetic data and intracranial EEG recordings.

该论文提出了多变量时间序列超分辨率预测（MTS-SRF）任务及 TimeMagnifier 模型，能够从粗粒度历史数据中预测细粒度未来，在十个数据集上以 12.3% 的平均 MSE 降低击败 15 个基线。

该论文提出一个统一评估框架，使用 Jev 1.13.0 作为案例研究 Structured System 1 模型在时间序列分类、事件类型预测、油温方向及股价走势预测等任务上的表现，结果显示其在显式时间模式和事件预测上较强，但在许多数值序列分类和股票走势预测上接近随机水平。

A preregistered causal audit finds that covariate-aware time series foundation models (Chronos-2, TiRex-2, TabPFN-TS, TimesFM-2.5) forecast associations rather than intervention effects, with a derived confounding gap that can be reduced up to 83% via brief interventional post-training with LoRA adapters.

Timestral is a family of four time series foundation models (5M to 209M parameters) achieving state-of-the-art probabilistic forecasting on GIFT-Eval, TIME, and fev-bench via decoupled horizon forecasting, native future covariate support, and synthetic pretraining followed by mixed post-training.

IBM Research 发布 Granite Timeseries Ensemble R1，将四个互补的开源 Granite 时序预测模型组合成一个统一接口，提供概率与分位数预测，无需重训练即可作为默认选择使用。

AnoMix 提出一种多教师排序蒸馏方法（CoRank），将多个异构无监督时间序列异常检测器蒸馏为单一轻量学生模型（<80k 参数），在七个基准数据集上优于单个检测器和静态分数集成，其零样本变体还能在未见数据集上超越大型时间序列基础模型。

The paper identifies that existing time series tokenization strategies (patch and phase tokenization) introduce spectral distortions such as spectral leakage and aliasing, and proposes TimeFT, a parameter-free, nearly distortion-free frequency-based tokenizer that serves as a drop-in replacement and improves performance across forecasting, classification, and anomaly detection tasks.

Meta-iLaD 提出一种通过跨动力学环境元学习实现可识别潜在动力学的新框架，利用少量样本的条件先验快速提取环境变量，并同时对潜在状态、环境变量与动力学函数建立可识别性，从而提升对未见环境的泛化与预测能力。

ORBIT 提出了一种统一的深度时间序列生成框架，通过频率层次化 VQ-VAE 和频率带自回归 Transformer 实现从低频到高频的下一频带预测，从而先构建全局时间结构再逐步补充细节，在多个真实基准上达到最先进的性能与更高的推理效率。

Mistral 发布 Timestral 时间序列基础模型家族，包含 5M 到 209M 参数四个版本，其 209M 模型在 GIFT-Eval、TIME 和 fev-bench 三大基准上均排名第一，支持零样本概率多变量预测且可在 CPU 上推理。

STAC发布了STAC-M3基准测试审计结果：L Labs的L tick database 1.0在Oxide OxVM云虚拟机（128 vCPU、1.25 TiB内存、5块NVMe盘）上运行，在Antuco套件中创下多项纪录，包括最高存储效率（为此前最佳的1.86倍）以及多个查询时间指标领先。

Mistral 发布 Timestral 时间序列基础模型家族（5M/28M/123M/209M 参数），支持零样本预测、单变量与多变量预测及概率输出，209M 版本代码与权重已在 GitHub 和 Hugging Face 开源。

该论文评估了基于循环神经网络(RNN)的Sentinel-2时间序列树种分类方法，并使用积分梯度(Integrated Gradients)进行可解释性分析，重点研究了纯林与混交林挪威云杉像元的区分，最佳RNN模型Macro-F1达0.851，优于XGBoost和随机森林。

该论文提出 forecast grounding 预训练原则，并实例化为 Lotus 模型，通过时序-谱块表示将时间序列映射到 LLM 嵌入空间，在多个基准上以极少可训练参数超越大 25–50 倍的模型。

PathFM 是一个基于流匹配的轨迹式时间序列预测模型，能够快速生成完整未来路径并支持多路径采样，同时提出 fps-bench 评测基准以衡量路径级依赖结构的建模能力。

TimeRSI 提出一个围绕冻结的时间序列基础模型的自改进智能体部署系统，通过误差引导的代码迭代修订与自适应选择提升零样本预测性能，在 TIME 和 fev-bench 的 198 项任务上超越所有提交结果。