arXiv cs.AI· Kuiye Ding, Yifan Hu, Hao Xue, Hanchen Wang·· 14 小时前AI 评分26
多变量时间序列预测需要跨变量损失：CvLoss 提出跨变量结构正则器
Multivariate Time Series Forecasting needs Cross Variable Loss
AI 导读
针对多变量时间序列预测中 Direct Forecasting 的点式目标未约束跨变量结构的问题，研究者提出 CvLoss——一种在跨变量图上约束预测残差的结构正则器，惩罚预测片段间不一致的边级残差差异，兼顾同步与异步交互。实验显示 CvLoss 能持续提升有竞争力的预测模型，优于代表性学习目标，并兼容多种预测骨干网络。该论文已被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：多变量时间序列预测面临独特挑战，因为未来变量往往在共享的系统动态下共同演化。现有研究主要关注历史观测中的跨变量依赖关系，而对未来值之间的依赖关系探索甚少。具体而言，现代预测模型大多遵循直接预测（Direct Forecasting，DF）范式，以逐点目标生成多步预测，并未显式约束跨变量结构。在本工作中，我们表明，在存在跨变量依赖和滞后依赖时，DF 目标存在不匹配，揭示出目标差距。为解决这一问题，我们提出 \textbf{C}ross-\textbf{V}ariable \textbf{Loss}（CvLoss），这是一种即插即用的结构正则化器，在跨变量图上约束预测残差。CvLoss 对预测片段上不一致的逐边残差差异施加惩罚，鼓励同步与异步交互之间的一致性。我们的实验表明，CvLoss 能持续改进有竞争力的预测模型，优于代表性的学习目标，并与多种预测骨干网络兼容。
| Comments: | 本文已被 NeurIPS 2026 接收 |
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI） |
| Cite as: | arXiv:2608.05742 [cs.LG] |
| （或使用 arXiv:2608.05742v4 [cs.LG] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.05742 由 DataCite 颁发的 arXiv DOI |
Submission history
来自：Kuiye Ding [查看邮箱]
[v1]
2026 年 8 月 6 日星期四 08:22:45 UTC（1,922 KB）
[v2]
2026 年 9 月 27 日星期日 15:39:30 UTC（1,922 KB）
[v3]
2026 年 9 月 29 日星期二 05:34:25 UTC（1,922 KB）
[v4]
2026 年 10 月 26 日星期一 07:28:21 UTC（1,966 KB）
来源：arXiv cs.AI · arxiv.org