arXiv cs.AI· Yangze Li, Zhengyang Zhou, Qihe Huang, Pengkun Wang, Binwu Wang, Yang Wang·· 3 天前AI 评分20
TStruct：为长期时间序列预测学习共享时间结构
TStruct: Learning Shared Temporal Structures for Long-Term Time-Series Forecasting
AI 导读
针对长期时间序列预测中噪声与非平稳性导致模型易拟合偶然时序交互的问题，研究者提出 Temporal Structure Network（TStruct），通过直接参数化一组共享时间依赖矩阵，并利用动态样本信息与静态变量先验生成归一化组合权重，实现共享结构约束下的自适应时间依赖建模。该结构感知设计在所有数据集上均优于多个强基线，同时保持较高计算效率，论文已被 NeurIPS 2026 主赛道接收。
正文 · AI 翻译
摘要：长期时间序列预测需要能够在时间分布偏移下保持稳定且具有泛化能力的时间依赖建模。然而，现实世界的时间序列往往含有噪声且非平稳，使得深度学习模型容易拟合训练数据中的偶然时间交互。一个关键问题是，是否存在在不同时间位置和变量之间反复出现的时间关系结构。我们分析了常用时间序列数据集上的时间关系矩阵，发现来自不同时间位置和不同变量的样本展现出共享的主导时间关系结构。这表明时间关系结构包含在不同样本和变量之间稳定重复出现的模式。为了学习这种共享结构，我们提出了\textbf{T}emporal \textbf{Struct}ure Network（\textbf{TStruct}），一个简单而有效的网络，用于直接学习共享且可泛化的时间依赖关系。具体而言，TStruct 直接参数化一组共享的时间依赖矩阵，并利用动态样本信息和静态变量先验生成归一化的组合权重。这些权重表示每个样本-变量对在共享时间依赖结构上的软分配，使模型能够在共享结构约束下生成自适应的时间依赖矩阵，而不是以完全无约束的方式拟合偶然交互。值得注意的是，这种简单的结构感知设计在所有数据集上持续优于多个强基线，在保持高计算效率的同时实现了更优的准确率。
| 评论： | 本文已被 NeurIPS 2026（主赛道）接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.17864 [cs.LG] |
| （或使用 arXiv:2610.17864v1 [cs.LG] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.17864 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Yangze Li [查看电子邮件]
[v1]
2026年10月13日星期二 07:24:58 UTC（2,820 KB）
来源：arXiv cs.AI · arxiv.org