ICML2026 时间序列论文解读论文笔记时序预测对抗鲁棒推理异常检测对齐/RLHF

📈 时间序列¶

🧪 ICML2026 · 32 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (7) · 💬 ACL2026 (7) · 🔬 ICLR2026 (38) · 🤖 AAAI2026 (31) · 🧠 NeurIPS2025 (54) · 📹 ICCV2025 (4)

🔥 高频主题： 时序预测 ×25 · 对抗鲁棒 ×3 · 推理 ×2 · 异常检测 ×2 · 对齐/RLHF ×2

Adaptive Time Series Reasoning via Segment Selection: 这篇论文提出 ARTIST，把时间序列问答变成“边推理边选择片段”的序贯决策问题，通过 controller-reasoner 架构和层级自博弈 RL，让模型只读取与问题相关的时间片段并提升推理准确率。
AnomSeer: Reinforcing Multimodal LLMs to Reason for Time-Series Anomaly Detection: AnomSeer 将经典时间序列异常检测的统计证据写成专家推理轨迹，并用 TimerPO 强化多模态大模型，使其在折线图输入上同时完成异常类型判断、区间定位和细粒度解释。
Beyond Extrapolation: Knowledge Utilization Paradigm with Bidirectional Inspiration for Time Series Forecasting: 提出 KUP-BI 框架，从训练集中构建"后目标延续"知识库，通过比率式变换检索相似历史轨迹的延续模式，生成延续风格辅助流并与主干网络特征门控融合，在 6 个数据集、4 种骨干架构上一致提升长时预测性能。
CombinationTS: A Modular Framework for Understanding Time-Series Forecasting Models: CombinationTS 把时序预测模型解耦为 Input Transformation / Embedding / Encoder / Decoder / Output Transformation 五个正交模块，在共享的"评估条件空间"上做配对蒙特卡洛采样，用边际性能 \(\mu\) 和稳定性 \(\sigma\) 取代脆弱的单点 MSE，结论是：一旦数据视图（Embedding）设计得好，参数无关的 Identity Encoder 就能打平甚至超过复杂 Transformer，时序预测领域的"SOTA 增益"很大程度上来自看数据的方式而不是建模能力。
DAG: A Dual Correlation Network for Time Series Forecasting with Exogenous Variables: 针对"未来协变量已知"的时间序列预测 (TSF-X), DAG 设计了一个双通路网络: 一条沿时间维捕获"历史外生→未来外生"的注意力模式并注入到"历史内生→未来内生"的预测里, 另一条沿通道维捕获"历史外生→历史内生"的模式并注入到"未来外生→未来内生"的预测里, 在 12 个公开/新发布 TSF-X 数据集上 10/10 拿下 MSE 最佳, 显著超过 TimeXer、TFT、TiDE、CrossLinear、PatchTST 等。
DistMatch: Adaptive Binning via Distribution Matching for Robust Sequential Conformal: DistMatch 提出基于 KS 统计量的递归分箱方法——通过将残差分组到近似可交换的叶子节点中摒弃权重重新分配，在分布漂移下提供有效的保形预测间隔；5 个数据集上均实现最小的区间宽度，同时保持有效覆盖率。
Divide and Contrast: Learning Robust Temporal Features Without Augmentation: Di-COT 通过随机划分序列为重叠子块并对其进行对比学习——在不使用数据增强的情况下高效学习鲁棒的时间序列表示，相比现有方法速度快 2.5 倍、精度更高；6 大规模数据集 + 124 UCR + 28 UEA 上全面验证。
Doubly Outlier-Robust Online Infinite Hidden Markov Model: 本文提出 BR-iHMM：把"鲁棒观测更新（WoLF）"与"批量化状态推断（degenerate sticky HDP prior）"结合起来，给在线无限隐马模型同时在观测空间和状态空间提供有界的 Posterior Influence Function（PIF），在金融订单簿、电力负荷、合成回归三类含异常值的流式数据上把一步预测 RMSE 最多降低 67%。
Dynamic-TMoE: A Drift-Aware Dynamic Mixture of Experts Framework for Non-Stationary Time Series: 通过 MMD 检测分布漂移并动态扩展异构专家池，结合时间记忆路由器保证选择一致性，Dynamic-TMoE 在九个时间序列基准上达到新的 SOTA——相比所有基线平均降低 MSE 10.4%、MAE 7.8%。
Ellipsoidal Time Series Forecasting: Fern 把长期时间序列预测重新表述为「从固定高斯源到数据相关椭球的最优传输」，借助 Brenier 定理把搜索空间限制在 SPD（对称正半定）类 Jacobian 上，用 Householder 反射的低秩谱分解把代价从 \(O(n^3)\) 压到 \(O(Rn)\)，并在非平稳冲击场景下相对 DLinear / Koopa 等基线取得最多 790× 的稳定性提升。
FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models: FactoryNet 是首个统一控制环结构的工业时序大规模数据集——5100 万数据点 / 2.3 万端到端任务执行（1.33 万真实 + 9800 仿真）跨 6 个机器实体，按 Setpoint-Effort-Feedback-Context (S-E-F-C) 控制论分类对齐所有信号；27 种标注异常类型 + 健康基线 + 反事实对，使零样本跨实体迁移和参数高效异常检测成为可能。
FRACTAL: State Space Model with Fractional Recurrent Architecture for Computational Temporal Analysis of Long Sequences: 本文把 HiPPO 框架背后的概率测度推广到带可调奇异指数 \(\alpha\) 的分数阶幂律测度，从而首次同时拿到「全历史保留 + 近时敏感 + 尺度不变」，并将这一理论落地为 LTI 对角化 SSM——FRACTAL 在 Long Range Arena 上以 87.11% 平均分追平 S5，并在 ListOps 上拿到 61.85%。
From Observations to States: Latent Time Series Forecasting: 作者发现现有 TSF 模型即使预测精度高，其潜空间也常常是"时间错乱"的（Latent Chaos）；他们提出 LatentTSF——先用 AutoEncoder 把观察压到一个高维潜状态空间，然后让任何主流 backbone 在这个空间内做未来预测（Pred + Align 双损失），最后再解码回观察空间——在 6 个标准 benchmark 上稳定降 MSE/MAE，并恢复了潜表征的时间局部性和频谱结构。
Generalizing Multi-scale Time-Series Modeling with a Single Operator: Sigma 框架通过学习离散高斯（LDG）核实现连续、距离感知的尺度参数，统一了现有的离散多尺度算子——在长期和短期预测任务上达到 SOTA，同时大幅降低计算成本（训练快 5.3×、显存少 3.8×）。
HELIX: Hybrid Encoding with Learnable Identity and Cross-dimensional Synthesis for Time Series Imputation: 给每个特征学一个"身份嵌入"作为持久语义锚点，配合时间-特征双螺旋注意力，在 5 个公开多变量时序数据集 21 个缺失场景上全部拿下第一，比次优的 ImputeFormer 在 ETT-h1 等数据集上多 25% 以上的 MAE 降幅。
HEPA: A Self-Supervised Horizon-Conditioned Event Predictive Architecture for Time Series: HEPA 通过地平线条件化的 JEPA 自监督预训练学习时间序列中的可预测动态——冻结编码器只微调预测器，用单一架构和固定超参在 11 个领域 14 个基准上超越多个 SOTA 方法，仅用 2% 标签数据即可达到 92% 性能。
HiPPO Zoo: Explicit Memory Mechanisms for Interpretable State Space Models: 将现代 SSM（如 Mamba）中隐式的内存机制显式化——通过扩展 HiPPO 框架提出"HiPPO Zoo"（5 个变体），每个变体用可解释的多项式表示来实现特定的现代 SSM 能力（非线性、自适应内存、关联记忆、多尺度、预测目标约束）；选择性复制和关联回忆任务上达到 100%。
IMPACT: Influence Modeling for Open-Set Time Series Anomaly Detection: IMPACT 把"影响函数"同时拿来当探照灯和手术刀——先用一个多通道偏差损失训出初始模型并算出每个训练样本对验证风险的影响分数，再在风险下降的理论保证下，把高影响的污染未标样本一键翻成有标异常、把对风险贡献最小的"边界正常样本"沿梯度方向扰动成"未见过的伪异常"，最后用双头网络分别学已见与未见两类异常，在 8 个真实时序基准上稳定超越十多个无监督与开放集基线。
Interpretability in Deep Time Series Models Demands Semantic Alignment: 本文是一篇位置论文——提出深度时间序列模型应该强制语义对齐：让模型的内部变量和机制对应领域专家的推理方式而非仅解释内部计算；核心创新是针对时间演化定义了语义对齐的持久性约束（这是时间序列特有问题）。
It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks: TIME 是面向时间序列基础模型（TSFM）的下一代基准——通过人工标注 + LLM 驱动的数据清洗、上下文对齐的任务设计、模式级别的评估视角，克服现有基准的数据重用、质量问题、任务配置不当和评估粒度低等四大痛点；50 个全新数据集 × 98 任务 × 12 TSFM 评估。
Latent Laplace Diffusion for Irregular Multivariate Time Series: LLapDiff 是在隐空间中进行扩散的生成框架——通过在拉普拉斯域用可学习的复共轭极点参数化稳定的模态演化，实现不规则时间序列的长期预测和缺失值补全，无需逐步的物理时间积分；7 个数据集上平均排名 2.1±1.7。
Learning Long Range Spatio-Temporal Representations over Continuous Time Dynamic Graphs with State Space Models: CTDG-SSM 首次通过拓扑感知 HiPPO 投影和状态空间模型，同时捕捉动态图中的多跳长距离空间依赖（LRS）和长距离时间依赖（LRT），在链接预测 / 节点分类等任务上超越 SOTA 且参数量仅为竞争方法的 1/10。
Nested Spatio-Temporal Time Series Forecasting: NeST 把"未来的宏观区域趋势"作为自顶向下引导，配合谱聚类构造的语义区域和双向跨尺度 cross-attention，让节点级时空预测在大规模交通网络上同时取得精度、长程稳定性与近线性复杂度的全面提升。
OLIVIA: Harmonizing Time Series Foundation Models with Power Spectral Density: OLIVIA 通过引入功率谱密度（PSD）驱动的协调机制——Harmonizer（基于 Householder 反射的正交二阶协调）和 HarmonicAttention（共鸣器低维交互）——显著改进了时间序列基础模型在异质数据上的预训练，在 TSLib 零样本 + GIFT-Eval + GluonTS 多基准上实现 SOTA。
Parametric Prior Mapping Framework for Non-stationary Probabilistic Time Series Forecasting: PPM 用一个轻量编码器从历史序列里推断出 context-aware 高斯先验，再用一个两层 MLP 把这个先验"推前"成完整的预测分布，用 KDE-NLL + 均值 MSE 联合训练，在七个时序基准上同时打过 DeepAR 和 NsDiff 等扩散模型，推理还快 2× 到 100×。
PATRA: Pattern-Aware Alignment and Balanced Reasoning for Time Series Question Answering: 针对时间序列问答 (TSQA)，PATRA 在表征端把序列显式拆成 full / trend / season 三类模式，并通过三组可学习对齐 token 与文本做深度交叉对齐；在训练端用 SFT + GRPO 两阶段强化学习，把判别式与生成式任务的奖励统一映射到 \([0,2]\) 解决难度失衡，从而在四类 TSQA 任务上全面超越文本 LLM、ChatTS 等多模态时序 LLM。
Position: Current Benchmarking Hinders Real Progress in Deep Learning for Time Series: 这篇位置论文系统揭示了当前时间序列预测基准测试的核心问题——设计选择的差异（全局 / 局部参数、预处理、外源变量、时间和空间处理）往往被当作"实现细节"忽视，导致不同论文的对比不公平；通过 44 数据集 × 7 SOTA × 多个参考架构的受控实验，证明这些差异的影响（5-15%）常常超过具体序列建模层的贡献（1-3%）。
QuITE: Query-based Irregular Time Series Embedding: QuITE 是一个即插即用的嵌入模块——使用可学习的查询令牌通过自注意力直接聚合不规则观测，将任意 MTS 模型适配到不规则多变量时间序列（IMTS），无需改动架构或生成人工值；在 iTransformer + QuITE 上预测平均相对提升 54.7%。
The Cost of Learning Under Multiple Change Points: 本文提出 Anytime Tracking CUSUM (ATC) 算法，通过时变自适应阈值 + 选择性检测原理，在无任何可检测性假设（最小间距 / 最小跳幅）下达到近似最小最优的动态遗憾 \(O(\sigma^2 (S+1) \log T)\)；并首次形式化量化了多变点场景中"漏检带来的内生混淆"的对数级退化界。
Time-series Forecasting Through the Lens of Dynamics: 作者用 Allen 时间区间代数提出 PRO-DYN 命名法，把任意时序预测模型拆成"前处理 PRO → 动力学 DYN → 后处理 PRO"三段，发现两条经验规律：(i) DYN 必须可学习且完整才能打过 LTSF-Linear，(ii) DYN 必须放在整个流程末端（PRE-DYN 配置）才能吃到长 lookback 的红利；并通过给 Informer/FEDformer/MICN/FiLM 加一个线性 DYN 层让性能稳定提升，给 iTransformer/PatchTST/Crossformer 把 DYN 挪到前端则性能下降，用实验验证两条规律。
TimeOmni-VL: Unified Models for Time Series Understanding and Generation: TimeOmni-VL 通过把时间序列转换为高保真图像（Bi-TSI）+ 引入理解引导的生成机制（CoT 作为扩散条件），首次实现在统一多模态框架中同时达成时间序列理解与生成任务，预测和插补均达业界最优。
U-Cast: A Surprisingly Simple and Efficient Frontier Probabilistic AI Weather Forecasting: U-Cast 用简单的 U-Net 主干 + 两阶段训练课程（MAE 预训练 → CRPS 微调） + MC-Dropout 实现了与复杂专业模型（GenCast）相当的概率性天气预报能力，同时减少 10× 训练计算和推理延迟——颠覆"前沿性能必须复杂"的行业刻板印象。