ReCast: Reliability-aware Codebook Assisted Lightweight Time Series Forecasting (AAAI 2026) (A会)
核心内容：
提出了一种新颖的可靠性感知码本辅助时间序列预测框架，能够有效捕捉局部重复模式，并适应数据分布的变化。
CometNet: Contextual Motif-guided Long-term Time Series Forecasting (AAAI 2026) (A会)
核心内容：
提出了一种新颖的上下文情境模式（Contextual Motif）引导的长期时间序列预测框架，旨在解决现有模型中存在的感受野瓶颈（Receptive Field Bottleneck）问题。
Goal-Oriented Time-Series Forecasting: Foundation Framework Design (AAAI 2026) (A会)
核心内容：
提出了一种创新的时间序列预测训练方法，使模型能够在推理阶段灵活适应不同下游任务的需求，而无需重新训练。
研究背景：
传统时间序列预测方法通常旨在最小化整体预测误差，忽略了不同预测范围在下游应用中的重要性差异，如无线网络中的能耗优化、负载调度等，不同任务对预测值的关注区间不同，且这些区间可能是动态变化的。现有方法通常预设固定的关注区间，无法在推理时灵活调整。
核心贡献：
论文提出一种训练策略，使模型能够：
在推理时适应不同的目标区间（如关注高流量或低流量时段）。
无需重新训练，通过动态组合训练时学习的区间表示来生成针对性的预测。
提升下游任务性能，如在无线网络节能调度中显著减少能源浪费。
论文逐步提出了几种策略，从简单到复杂：
- B-Policy（基线策略）：标准预测训练，不考虑特定区间。
- E2E-Policy（端到端策略）：针对单一固定区间进行训练，无法适应其他区间。
- C-Policy（连续区间训练策略）：将区间作为输入特征，让模型学习所有可能区间，但训练难度大，效果有限。
- Dₗ-Policy（离散化区间训练策略）：将值域划分为有限个区间，训练模型分别学习这些区间，提高可学习性。
- Dₗ*-Policy（补丁增强的离散化策略）：在Dₗ基础上引入衰减函数和分类头，支持通过"补丁机制"在推理时动态组合多个区间，适应任意目标区间。
创新点一：在Dₗ-Policy基础上引入了"衰减函数"和"分类头"。这使得模型不仅能预测，还能判断一个样本是否属于某个区间，并且在区间边界学习得更平滑（通过衰减实现"软重叠"）。
创新点二：提出了"补丁机制"。这是决定性的创新。它通过加权组合（平均策略）或选择（最大置信度策略）多个已知区间的预测，来合成一个针对从未见过的目标区间的预测。