多模态时序泛化：ICLR2026时序预测核心方法速递

时间序列分析正迎来技术爆发期，从工业监测到医疗预警，最新研究正破解传统建模痛点。扩散模型成为核心突破点，通过 “先破坏后修复” 的机制，在预测、数据填补、样本生成三大任务中表现亮眼，电力负荷预测误差较 LSTM 降低 12%，50% 缺失心电数据填补误差控制在 0.05 以内。

跨模态融合同样是热点，ITFormer 架构搭建时序与语言模型的高效桥梁，仅需训练不足 1% 额外参数，就在因果分析任务中实现 0.83 的高准确率，性能超越 ChatGPT-4o 等主流模型。

此外，采样加速算法、图神经网络融合等优化方案，正逐步解决扩散模型耗时久的问题。这些顶会相关成果兼顾性能与落地性，今天就为大家拆解其中几篇高分论文与核心创新~

1.Causal Time Series Generation via Diffusion Models

【要点】本文提出了因果时间序列生成的新任务类别，并通过CaTSG框架实现了在干预和反事实场景下的可靠模拟。

【方法】作者采用因果视角，基于Pearl的因果阶梯，通过回门调整和推理-行动-预测程序，推导出因果得分函数。

【实验】在合成和现实世界数据集上的广泛实验表明，CaTSG在保持观测保真度的同时，实现了卓越的生成效果，并支持现有基线无法处理的干预和反事实生成。具体数据集名称未在摘要中提及。

2.Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks

【要点】论文旨在解决在复杂系统中，由于观测不完整和潜在子过程的存在，难以识别因果结构的问题。

【方法】论文提出了一种基于多元Hawkes过程的方法，通过将连续时间事件序列离散化，并利用路径条件来确保可识别性，从而识别潜在子过程和因果影响。

【实验】在合成和真实世界数据集上的实验表明，该方法能够有效地恢复出因果结构，即使在存在潜在子过程的情况下。

3.Context parroting: A simple but tough-to-beat baseline for foundation models in scientific machine learning

【要点】本文提出了一种简单有效的基线模型——上下文鹦鹉学舌模型，在预测多种物理系统时，其性能超过了当前领先的时间序列基础模型，并通过揭示了现有模型的性能差距和失败模式，为未来基础模型的设计提供了指导。

【方法】作者通过分析当前时间序列基础模型的预测策略，发现了一种简单的鹦鹉学舌策略，即直接复制上下文信息来进行预测。

【实验】在多种动力系统（包括低维混沌、湍流、耦合振荡器和心电图）上进行的实验表明，上下文鹦鹉学舌模型在预测准确度上超过了现有领先模型，且计算成本大大降低，但具体数据集名称未在摘要中提及。

4.Brain-Semantoks: Learning Semantic Tokens of Brain Dynamics with a Self-Distilled Foundation Model

【要点】本文提出了一个端到端的概率预测框架ProbHardE2E，能够将操作/物理约束作为硬性要求融入学习系统中，并通过创新性地利用方差信息来强化这些约束，同时还能进行不确定性量化（UQ）。

【方法】研究采用了一种新颖的可微分概率投影层（DPPL），它可以与多种神经网络架构结合，允许模型以端到端的方式学习系统，而不是在推断后通过后处理步骤满足约束。

【实验】作者将ProbHardE2E应用于学习带不确定性估计的偏微分方程问题以及概率时间序列预测问题，证明了该框架作为一个广泛适用的通用设置，能连接这些表面上看似不同的领域。