标签
本文提出了一种门控瓶颈潜变量ODE结合多路径即时微调与拉曼数据融合的方法，以改进哺乳动物细胞培养过程的多日预测，在真实生物反应器数据上取得了更好的性能。
本文提出连续功率预测，将功率预测视为持续学习问题以处理非平稳条件。它在真实世界数据集上评估了六种持续学习方法，展示了在适应性和缓解灾难性遗忘方面的优势。
MacroLens 是一个用于上下文金融推理的新型多任务基准，它联合评估了价格历史、会计基本面、宏观经济体制以及文本数据，覆盖 4,416 只美国小盘股和微盘股。该基准包含七个任务、1,130 个宏观经济事件，并对 19 种方法进行了评估，旨在填补金融 AI 评估中的空白。
本文提出了RAVEN，这是一种混合专家框架，能够自适应地为每个输入样本确定时间上下文窗口，以处理非平稳金融时间序列。该方法在金融和交通基准上取得了最先进的性能。
提出GRACE方法，该方法结合基于约束的骨架与使用L0正则化的门控精化，用于高效准确的高维时间序列因果边发现。在F1分数和速度上优于现有方法，并在合成和现实河流流量数据上进行了验证。
亚马逊开源了 Chronos，这是一个时间序列预测模型，无需训练或特征工程即可开箱即用进行预测，其处理预测的方式类似于语言模型处理文本。
本文介绍CADE，一个用于时间序列问答的框架，它直接将每个时间步映射到LLM嵌入空间，并使用单向监督对比损失将时间序列表示与冻结的文本锚点对齐，在Time-MQA基准测试上超越了现有基线。
本文提出了面向时间序列基础模型的状态分层评估方法，揭示出聚合指标会掩盖交通状态转换期间的严重失败，并提出了双峰混合增强方法，在保持整体准确性的同时改善覆盖范围。
谷歌发布了TimesFM，一个在1000亿真实世界时间序列数据上训练的时间序列预测模型，支持零样本预测，免费开源，可在普通电脑本地运行。
GreptimeDB v1.1 引入了对现有表的在线重新分区、增量 Flow 读取、面向 LLM 的语义层以及稳定性改进。
谷歌发布了TimesFM，这是一个用于零样本时间序列预测的AI模型，基于1000亿个真实数据点训练，免费且开源。
介绍了IRTS-ToolBench，这是一个包含1,700个问题的基准测试，用于通过工具化推理评估大语言模型（LLM）和AI代理在不规则时间序列问答上的表现，涵盖13个领域的10种任务类型。
介绍TimeMoDE，这是一个将扩散Transformer与混合专家模型相结合的框架，用于在数据稀缺条件下生成逼真的时间序列。该框架通过在多个领域的数据集上进行预训练，并利用领域提示来处理领域特定特征，同时结合扩散时间步信号实现自适应去噪。
本文研究机器学习模型能否在预测美元/加元汇率方面击败随机游走基准，发现只有线性回归在统计上优于朴素模型，SHAP分析显示短期滞后项主导预测。
Forgis Labs 提出了一系列针对工业场景中时间序列传感器数据的基础模型，已有五篇论文被 ICML 2026 研讨会接收，能够从原始传感器流实现事件预测和自然语言解释。
GreptimeDB v1.1.0 已发布，提供高达97%的PromQL查询加速，整体查询时间降低20-40%，在TSBS扫描密集型查询上性能提升高达4.5倍，并支持对现有表进行在线重分区。
本文提出ORCA，一种通过学习预测错误的上下文来实现时间序列基础模型黑盒在线自适应的方法。该方法在五个TSFM和八个数据集上展示了有效性，解决了基于闭源API的模型自适应挑战。
提出了一种利用深度特征空间和基于算子的潜在状态空间模型的随机非线性动力系统的谱学习方法，在预测和滤波任务中表现出稳定的性能。
本文提出了一种可证伪的适用性判据，用于基于时滞谱嵌入的多变量时间序列的无训练固定长度描述符，展示了该描述符在何种情况下有望有效，并在多个基准上进行了验证。