本周精选9篇时间序列领域前沿论文，覆盖损失函数优化、模型架构创新、理论基础与表征学习、应用场景与隐私保护等方向。
源码和论文感兴趣 自取！
原文 资料 这里！
一、损失函数优化方向
1、Beyond MSE: Ordinal Cross-Entropy for Probabilistic Time Series Forecasting
作者：Jieting Wang, Huimei Shi, Feijiang Li, Xiaolei Shang
亮点：针对传统MSE损失在时间序列预测中缺乏不确定性估计、抗异常值能力弱的核心痛点，提出OCE-TS序数分类框架，创新性地采用序数交叉熵（OCE）损失替代MSE。通过将观测值离散为有序区间并基于参数分布生成监督信号，在保留预测值序数关系的同时实现概率输出，为预测结果提供可靠的不确定性量化。理论层面通过影响函数分析，证明交叉熵损失相比MSE具有更优的稳定性和抗异常值鲁棒性；实证层面在7个公开数据集上击败Autoformer、DLinear等5个SOTA基线模型，在MSE和MAE指标上均实现持续领先。
论文：https://arxiv.org/pdf/2511.10200
2、RI-Loss: A Learnable Residual-Informed Loss for Time Series Forecasting
作者：Jieting Wang, Xiaolei Shang, Feijiang Li, Furong Peng
亮点：直击MSE损失点态误差计算无法捕捉时序依赖、忽略数据固有噪声的两大缺陷，提出基于希尔伯特-施密特独立性准则（HSIC）的残差知情损失（RI-Loss）。通过强制残差序列与随机时间序列的依赖性，实现对噪声结构的显式建模，助力模型学习更稳健的噪声感知表征。理论上首次推导含双样本复杂度项的非渐近HSIC界，借助伯恩斯坦型集中不等式和拉德马赫复杂度分析实现最优收敛率，为损失函数优化提供严格理论保障；实证上在8个真实世界基准数据集和5个主流预测模型上验证了性能提升，有效提升预测精度与稳定性。
论文：https://arxiv.org/pdf/2511.10130
二、模型架构创新方向
1、MDMLP-EIA: Multi-domain Dynamic MLPs with Energy Invariant Attention for Time Series Forecasting
作者：Hu Zhang, Zhien Dai, Zhaohui Tang, Yongfang Xie
亮点：针对MLP类模型在时间序列预测中存在的弱季节信号丢失、权重共享容量不足、通道融合不充分等问题，提出多域动态MLP架构MDMLP-EIA。三大核心创新：1）自适应融合双域季节MLP，将季节信号分为强弱组件，通过自适应零初始化通道融合策略减少噪声干扰；2）能量不变注意力机制，在趋势和季节预测中自适应聚焦不同特征通道，保持信号总能量恒定以增强抗干扰性；3）动态容量调整机制，神经元数量随通道数平方根缩放，确保通道增加时的充足建模能力。在9个基准数据集上实现预测精度与计算效率的双重SOTA，为MLP类模型在时序任务中的应用提供新范式。
论文：https://arxiv.org/pdf/2511.09924
2、CaReTS: A Multi-Task Framework Unifying Classification and Regression for Time Series Forecasting
作者：Fulong Yao, Wanqing Zhao, Chao Zheng, Xiaofei Han
亮点：突破传统预测模型难以同时提供精准预测与可解释性的局限，提出CaReTS多任务学习框架，创新性地融合分类与回归任务解决多步时间序列预测问题。采用双流架构：分类分支学习未来逐步趋势，回归分支估计目标变量与最新观测值的偏差，实现宏观趋势与微观偏差的解耦，提升预测可解释性。设计不确定性感知加权多任务损失，自适应平衡各任务贡献度，并实例化4种变体（集成CNN、LSTM、Transformer等主流编码器）。实验表明，该框架在真实世界数据集上不仅预测精度超越SOTA算法，还实现了更优的趋势分类性能，为时序预测的可解释性研究提供新思路。
论文：https://arxiv.org/pdf/2511.09789
3、MedFuse: Multiplicative Embedding Fusion For Irregular Clinical Time Series
作者：Yi-Hsien Hsieh, Ta-Jung Chien, Chun-Kai Huang, Shao-Hua Sun, Che Lin
亮点：针对临床时间序列异步采样、缺失值多、特征动态异质的固有特性，提出以MuFuse（乘法嵌入融合）模块为核心的MedFuse框架。创新性地采用乘法调制替代传统加法操作融合特征标识与数值嵌入，在保留特征特异性信息的同时，有效建模特征间的高阶依赖关系。在三个覆盖重症监护和慢性护理的真实世界数据集上，持续超越SOTA基线模型；表征分析验证了乘法融合的表达能力优势，且支持跨数据集预训练，为不规则临床时序数据建模提供了通用且高效的解决方案。
论文：https://arxiv.org/pdf/2511.09247
三、理论基础与表征学习方向
1、Koopman Invariants as Drivers of Emergent Time-Series Clustering in Joint-Embedding Predictive Architectures
作者：Pablo Ruiz-Morales, Dries Vanoost, Davy Pissoort, Mathias Verbeke
亮点：首次为JEPAs（联合嵌入预测架构）在时间序列聚类中的涌现能力提供理论解释，提出核心假设：JEPAs的预测目标隐式驱动模型学习系统Koopman算子的不变子空间。通过严格理论证明，理想JEPAs损失在编码器表示系统状态指示函数（Koopman特征函数）时达到最小。在已知动力学的合成数据上验证：将JEPAs的线性预测器约束为近恒等算子，是迫使编码器学习Koopman不变量的关键归纳偏置，该约束还能从数学等价的纠缠最优解中筛选出可解释解，揭示了预测器在表征解纠缠中的核心作用。建立了现代自监督学习与动力系统理论的 principled 连接，为时序模型的可解释性与鲁棒性设计提供理论指导。
论文：https://arxiv.org/pdf/2511.09783
2、Local Interaction Autoregressive Model for High Dimension Time Series Data
作者：Jingyang Li, Yang Chen
亮点：针对高维矩阵/张量时间序列的局部依赖特性，提出LIAR（局部交互自回归）框架及可分离变体Separable LIAR，通过建模每个元素与其小邻域的交互，大幅降低参数空间维度，提升推理效率与预测精度。设计基于并行最小二乘的可扩展参数估计算法，搭配BIC型邻域选择器；理论上证明了邻域选择的一致性，推导了核估计与自协方差估计的误差界。数值模拟验证BIC选择器能高成功率恢复真实邻域，LIAR模型实现小估计误差并超越矩阵时序基线；在总电子含量（TEC）数据应用中，成功识别局部时空传播模式，预测性能优于非局部时序模型，为高维时序数据建模提供了高效且有理论保障的新方法。
论文：https://arxiv.org/pdf/2511.09542
四、应用场景与隐私保护方向
1、Querying Labeled Time Series Data with Scenario Programs
作者：Edward Kim, Devan Shanker, Varun Bharadwaj, Hongbeen Park, Jinkyu Kim, Hazem Torfah, Daniel J Fremont, Sanjit A Seshia
亮点：聚焦自动驾驶（AV）领域仿真到现实的迁移问题，解决模拟环境中发现的故障场景在真实系统中难以验证的核心痛点。提出场景程序的形式化定义，利用Scenic概率编程语言将抽象场景表示为可执行程序，设计高效查询算法，能从带标签时序传感器数据中精准定位与场景程序匹配的子集。相比最先进的商业视觉大语言模型，该算法不仅预测精度更高，速度提升数个数量级，且能随查询时序数据的持续时间实现高效扩展。为模拟故障场景的真实世界验证提供了自动化工具，对保障网联汽车等 cyber-physical 系统的安全性具有重要实用价值。
论文：https://arxiv.org/pdf/2511.10627
2、Cooperative Local Differential Privacy: Securing Time Series Data in Distributed Environments
作者：Bikash Chandra Singh, Md Jakir Hossain, Rafael Diaz, Sandip Roy, Ravi Mukkamala, Sachin Shetty
亮点：针对分布式环境中时序数据的隐私保护需求，提出CLDP（协作局部差分隐私）机制，解决传统LDP方法在固定时间窗口内添加的噪声易被聚合操作抵消、导致隐私泄露的缺陷。核心创新在于噪声向量的跨用户分布式生成与分配：所有用户的扰动数据聚合时噪声相互抵消，在保留整体统计特性的同时实现个体隐私保护。该协作策略不仅有效抵御时间窗口攻击，还能高效适配大规模实时数据集，在医疗、交通等敏感时序数据应用场景中，实现了数据效用与隐私保护的更优平衡，为分布式时序数据的安全共享提供了新方案。
