WSDM 2026于2026年2月23号到26号在美国爱达荷州博伊西(Boise Idaho)举行。
本文总结WSDM 2026上有关时间序列（time series）的相关论文，总共3篇，其中长文2篇，短文1篇。如有疏漏欢迎补充。
时间序列topic：预测，表示学习，因果等
注：由于文章较少，且官方已经出版，所以机翻了一下摘要。
WSDM26录用列表 ：++https://wsdm-conference.org/2026/index.php/accepted-papers/++
1 Can Slow-thinking LLMs Reason Over Time: Empirical Studies in Time Series Forecasting
链接 ：++https://dl.acm.org/doi/10.1145/3773966.3777931++
作者：Mingyue Cheng, Jiahao Wang, Daoyu Wang, Xiaoyu Tao, Qi Liu and Enhong Chen
关键词：时序预测，慢思考
摘要：时间序列预测（TSF）传统上依赖于快速思维范式，这种范式将历史观测直接映射到未来的连续值序列。尽管这些方法很有效，但它们往往将预测视为模式匹配问题，并且容易忽视对时间动态和上下文因素的显式推理，而这些对于建模现实场景中的长程依赖和非平稳行为至关重要。最近的慢思维大型语言模型（LLMs），如OpenAI o1和DeepSeek-R1，展现出强大的推理时多步推理能力。这就引出了一个根本性问题：即使没有特定任务的训练，慢思维LLMs能否对时间动态进行推理以支持准确的TSF？为了研究这个问题，本文提出了TimeReasoner，这是一项系统性的实证研究，它将TSF重新表述为完全在推理时执行的条件推理过程。TimeReasoner整合了包含任务指令、时间戳、序列值和可选上下文特征的混合指令，并通过思维链提示和基于滚动的推理策略，在预训练的慢思维LLMs中诱导多步时间推理。在不同的TSF基准上进行的大量实验表明，慢思维LLMs始终优于先前的基线模型，或者实现了具有竞争力的无训练预测性能。除了准确性之外，本文还分析了不同的推理时推理策略如何影响预测行为，强调了慢思维范式在TSF中的潜力和局限性。
2 Self-Supervised Representations of Time Series with Decoupled Masked Autoencoders
链接 ：++https://dl.acm.org/doi/10.1145/3773966.3778007++
作者：Mingyue Cheng, Xiaoyu Tao, Zhiding Liu, Qi Liu, Hao Zhang, Rujiao Zhang and Enhong Chen
关键词：时序表示学习，自监督
摘要：从未标记的时间序列中学习可迁移的表征对于提高数据稀缺情况下的分类性能至关重要。现有的自监督方法通常在点级别进行操作，并依赖单向编码，这导致语义密度低，且预训练与下游优化之间存在不匹配。在本文中，本文提出了TimeMAE，这是一种自监督框架，通过语义单元提升和解耦表征学习来重新构建时间序列的掩码建模。TimeMAE不再对单个时间步进行建模，而是将时间序列分割为非重叠的子序列，以形成语义丰富的单元，从而在降低计算成本的同时实现更具信息量的掩码重建。为了解决掩码带来的表征差异，本文设计了一种解耦的掩码自编码器，对可见区域和掩码区域分别进行编码，避免了主编码器中出现人工掩码标记。为了指导预训练，本文引入了两个互补的目标：掩码码字分类（通过学习到的分词器将子序列语义离散化）和掩码表征回归（通过动量更新的目标编码器对齐连续表征）。在五个数据集上的大量实验表明，TimeMAE优于有竞争力的基线模型，尤其是在标签稀缺场景和迁移学习场景中。本文的代码可在https://github.com/Mingyue-Cheng/TimeMAE公开获取。
3 [Short Paper]Confounder-Aware Causal Graph Learning Framework for Multivariate Time Series Analysis
链接 ：++https://dl.acm.org/doi/10.1145/3773966.3779366++
作者：Bo Liu and Yuefeng Ma
关键词：混杂因素，因果，多元时序
摘要 ：基于多元时间序列（MTS）分析的图因其变量间复杂的非线性关系和时间依赖性而受到关注。为了增强观测性MTS数据的可解释性，因果图学习已成为一种主流方法。然而，现有的因果图方法缺乏处理未观测混杂因素和动态因果关系的机制，这限制了它们在MTS场景中的适用性。为了克服这些局限性，本文提出了一种新颖的框架------混杂因素感知因果图学习（CACGL），该框架对具有多尺度效应的未观测混杂因素进行建模，并捕捉变量间随时间变化的因果关系。首先，CACGL采用多粒度因果架构，将在整个序列上对变量级因果关系进行建模的粗粒度图与捕捉局部片段内跨变量因果相互作用的细粒度图相结合，明确地分离出时间异质性依赖。其次，本文设计了一个基于层次化变分自编码器（VAE）的模块，为两种未观测混杂因素构建受外生性约束的代理变量：符合因果充分性标准的持续性混杂因素和短暂性混杂因素。第三，提出了一种偏误感知优化策略，通过混杂偏误指数（CBI）来量化未观测混杂，该指数将残余混杂效应转化为对抗性信号，以增强基于图神经网络（GNN）的因果不变性。此外，还设计了多目标损失函数来提高因果关系的稳定性，同时由CBI驱动的对抗性学习减轻了下游任务中的混杂偏误。在真实世界数据集上的实验表明，CACGL在MTS的因果图发现方面实现了最先进的性能，同时对时间异质性的未观测混杂进行了建模，并提高了可解释性。
