标签
TimeRouter 提出了一种高效的时间序列基础模型路由框架，利用轻量级判别路由和选择性门控，无需大型语言模型（LLM）开销即可自适应选择最佳专家模型，在 GIFT-EVAL 排行榜上达到了最先进水平。
LakeFM 是一个面向水生系统的基础模型，在大规模生态数据集上预训练，利用不规则多变量多深度时间序列数据预测湖泊动态，与现有模型相比取得了有竞争力的性能。
本文介绍MF-Net，一种循环动力学模型，通过共享场状态表示多变量系统，并学习用于联合演化的机械转移。它在实现有竞争力的预测的同时，还能对学习到的关系进行可解释的结构化读取。
本文系统评估了11种用于基础模型预训练的合成时间序列生成器，发现生成器的排名在不同架构下不稳定，但所有生成器的等权重混合结果与最佳单个生成器相当或更优。将这种混合与真实数据融合可得到最强的预训练语料，从而将合成预训练重新定义为语料组合问题而非生成器选择问题。
本文研究了推理步长（不重叠窗口与重叠窗口）对基于重构的时间序列异常检测的影响，发现重叠窗口在多个模型架构上持续提升性能，在TSB-AD和UCR基准测试中最高提升达28%。
本文提出UniTok，一种将连续时间序列转化为离散标记的通用分词器，以及UniTok-FM，一个基于下一标记预测预训练的基础模型。该模型支持零样本和提示增强预测，以及通过无需训练的上下文推理实现少样本生成和分类——这是以往工作未能实现的能力。
本文介绍了一种轻量级方法，利用Chronos-2时间序列基础模型的冻结嵌入，结合一个简单的回归头，进行剩余使用寿命估计，在工业传感器数据上相比基线方法取得了更优的性能。
本文提出了一种基于Transformer的框架，用于预测机场航站楼登机口和安检点的旅客排队长度和等待时间，能够提前两小时进行准确预测，以支持主动式拥堵管理。
本文提出 SRT（时间序列超分辨率），一种使用解耦校正流方法从低分辨率输入重建高分辨率时间模式的框架。该方法将输入分解为趋势和季节性成分，应用隐式神经表示进行分辨率对齐，并引入跨分辨率注意力机制以生成细粒度细节，在多个数据集上实现了最先进的性能。
提出了TriHead-GAN，一种基于Transformer的GAN，其采用三头判别器，联合监督分布真实性、跨变量依赖性和时间平滑性，以生成逼真的碳排放时间序列，在多个数据集上优于基线方法。
提出CF-JEPA，一种无掩码的自监督学习框架，用于时间序列表示学习。该方法通过从随机裁剪中进行多视野前向预测，并利用在线编码器与指数移动平均目标编码器之间的不对称性，在分类、预测和异常检测任务上提升了性能。
本文提出一个框架，将表格基础模型应用于工业时间序列的预测与健康管理，在多个PHM任务上展示了强大的性能和高效的数据利用率。
ReGeN是一个参考引导的生成流水线，用于多元时间序列数据。它将观测序列分解为周期性骨干、随机残差和跨变量依赖关系，以合成可控的合成数据。结果表明，生成的数据可以替代真实数据用于预测任务，且性能优于以往的合成数据生成器。
PyCC.id 是一个 Python 库，用于从时间序列数据中进行假设驱动的方程发现，利用结构可辨识性来帮助筛选候选模型。
GreptimeDB 1.0 引入了三个用于异常检测的内置SQL窗口函数（Z-Score、MAD、IQR），使得无需外部服务即可直接在SQL中进行异常评分。
本文描述了一种针对CTF4Science Lorenz挑战的度量感知混合预测系统，该系统结合了神经去噪器、ODE拟合和直方图尾部分布替代，以优化九个任务对中的不同度量，在公开排行榜上取得了83.85529分的成绩。
ADAPTOOD 是一种新颖框架，利用数据不确定性量化分布偏移的严重程度，并指导心电图时间序列模型在分布外设置下的微调。它将不确定性估计与低秩模型更新和自适应超参数优化相结合，在现有OOD自适应方法基础上实现了高达7%的准确率提升和12.9%的精确度提升。
TPA-AD 是一种用于轴承时间序列异常检测的两阶段伪异常引导方法，利用重建模型和对比学习在正常边界附近生成伪异常窗口，再通过 KNN 对异常进行评分——训练过程中无需真实异常样本。该方法在轴承故障和退化数据集上进行了评估，包括高速列车轴箱轴承数据。
本文介绍了一种用于多变量时间序列异常检测基准的诊断框架，发现标记的异常大多可以从单个通道检测到，这对跨通道建模的必要性提出了挑战。作者呼吁开发更多结构多样的评估数据集。
本文提出DSFM，一种新颖的生成框架，利用小波分解和谱流匹配合成逼真的fMRI时间序列，用于脑疾病识别，解决了数据稀缺和非平稳性挑战。