1. 研究重心：预测仍最大，但问题边界变宽
主任务中 Forecasting 有 39 篇，而标签层面有 53 篇涉及预测。预测论文不再只比较 MAE/MSE，而是把跨变量相关、周期异质性、非平稳、概念漂移、测试时适配、缺失查询和概率校准纳入问题定义。
展开详情预测从“点误差”变成“真实场景建模”
这组预测论文的共同变化是：预测任务本身被重新细分。过去常见设定是给定规则采样的历史窗口，直接预测未来值；现在的论文更关心变量之间是否相关、周期是否一致、测试分布是否变化、输出是否可校准、缺失和异步是否会破坏模型，以及预测结果能否被解释或在部署端运行。
跨变量与结构关系从通道独立转向显式建模变量相关、图结构、局部跨变量交互，减少“各变量各预测”的信息损失。
非平稳与测试时适配把概念漂移、输出分布偏移和实时监控中的变化纳入训练/推理流程，而不是只在固定 benchmark 上比较误差。
概率与可靠性从点预测扩展到边缘分布、联合分布、置信区间和一致性约束，强调预测是否可信。
部署与效率在保证预测能力的同时降低参数量、推理成本和硬件需求，让模型能进入边缘设备或在线系统。
代表论文：它们分别把预测问题边界推向不同方向
-
极低资源预测：把“长期预测是否一定需要大模型”变成核心问题。问题长期多变量预测需要同时捕捉复杂时间依赖与趋势变化，但 Transformer 等高精度模型参数量和计算开销较大，不适合部署在硬件受限设备上。方法提出 MixLinear，在时域用正交分段趋势提取分离段内/段间相关性，在频域用自适应低秩谱滤波压缩全局趋势，把线性模型参数规模从 O(n²) 降到 O(n)。
-
基础模型适配：补足 TSFM 忽略通道相关的短板。问题现有时间序列基础模型多采用通道独立建模，偏重时间依赖泛化，却忽略多变量预测中不同类型的通道相关性。方法提出轻量可插拔的 CoRA 相关性感知适配器，将相关矩阵分解为低秩的时变与时不变部分，用可学习多项式建模动态相关，并用异质-局部双对比学习识别正/负相关。
-
周期异质性：处理不同变量周期不一致且动态变化的真实情况。问题真实多变量序列中不同变量往往具有不同且会变化的周期，已有模型虽能建模周期性，却容易忽略这种“周期异质性”。方法提出 PHAT，把输入组织为周期桶张量，按相近周期、相位对齐和周期内偏移限制交互；再用正负注意力从周期对齐与偏离两方面建模周期依赖，并注入周期先验。
-
#4 Reliable Probabilistic Forecasting of Irregular Time Series through Marginalization-Consistent Flows不规则/缺失场景：把概率查询的一致性作为预测质量标准。问题不规则、缺失时间序列的联合概率预测尚不充分，现有 normalizing flow 方法表达力强但缺少边际化一致性，导致子集变量的边际预测不可靠。方法提出 MOSES，用可分离流的混合来参数化随机过程：每个分量结合潜在多元高斯与单变量可逆变换，使模型可以解析边际化，从而支持可靠的边际和联合概率查询。
-
测试时适配：关注部署后输出空间和上下文变化。问题部署后的预测模型在非平稳和分布漂移下性能下降，而现有测试时适应方法常通过输入/输出双适配器间接改动分布，难以分析且不够简洁。方法提出 COSA 输出空间适配器，在冻结基模型后直接对预测残差进行门控校正；利用近期已观测真实值构造轻量上下文向量，只在测试时更新线性层和门控参数。
-
置信区间：用 conformal prediction 给预测不确定性提供覆盖保证。问题序列数据上的 conformal prediction 往往需要复杂模型捕捉时间依赖，小样本下易失败，分布变化时还需要昂贵重训。方法提出训练免费的 ResCP，用 reservoir computing 表示当前状态，根据 reservoir state 相似度动态重加权历史残差/非一致性分数，从而在保持可扩展性的同时适配局部时间动态。
-
真实世界统一设定：同时处理依赖、异步和缺失。问题真实多变量序列常同时存在复杂通道依赖、通道异步采样和缺失值，现有模型通常只处理其中一部分或做简化假设。方法提出 ChannelTokenFormer，用灵活的 Transformer 通道 token 架构显式建模跨通道交互，同时适配通道级异步采样和测试时缺失块，提升真实条件下鲁棒性。
-
概念漂移：把泛化失败归因到时间序列中分布随时间变化。问题时间序列泛化受分布漂移影响，已有工作更多关注 temporal shift，而 concept drift 在预测中的处理不足。方法提出 ShifTS，先缓解 temporal shift，再在统一框架中处理 concept drift；通过软注意力从 lookback 与 horizon 序列中提取不变模式，作为模型无关增强。