GluFormer提前11年預測糖尿病
《Nature》2026論文發表GluFormer，Transformer基礎大模型用自監督學習處理10k受試者超1000萬條CGM數據。優於HbA1c提前11年預測糖尿病/心血管風險，並生成逼真血糖曲線。僅短期數據即可個人化飲食/治療預測。
Search
Tag: #time-series23 results
Neuro-Agentic Control：安全的 LLM 驅動工業防禦框架
這項研究介紹了一種結合 LLM 規劃器與時間序列基礎模型 (Time-Series Foundation Models) 的框架，旨在保護工業物聯網安全。它利用「反事實物理注入」機制，在執行前對 LLM 的操作進行物理約束驗證。
透過動力系統重新思考時間序列建模
這篇立場論文主張時間序列建模應從 Transformer 架構轉向動力系統視角。研究強調，捕捉底層物理規則與混沌結構對於實現真正的領域外泛化至關重要。
TimeClaw：用於情境化時間序列分析的代理框架
TimeClaw 是一個全新的代理框架，旨在彌合通用大型語言模型（LLM）與結構化時間序列數據之間的鴻溝。它提供原生的運行時支援，包括可執行工具和多模態記憶，以實現跨多個領域更精確的時序推理。
GITCO：透過上下文過濾優化 TSFM 推論效能
GITCO 是一個創新的框架，透過在推論階段識別並抑制「有毒」的輸入區塊，提升時間序列基礎模型（TSFM）的效能。該方法在不需更新模型權重的情況下，使 TimesFM 2.5 的 MASE 指標平均降低了 1.95%。
北大DistDF：最優傳輸時序預測損失函數
北京大學林宙辰團隊提出DistDF，一種利用最優傳輸對齊聯合分佈的時序預測新型損失函數，解決MSE的獨立性偏差。透過Wasserstein距離將條件分佈匹配轉換為聯合分佈，提升估計可靠性。入選ICLR 2026。
📰
PyTorch 快速 CUDA SoftDTW 套件推出
PyTorch 的全新 GPU 加速、記憶體高效 SoftDTW 實作解決了時間序列對齊的速度與記憶體限制。提供 67 倍加速、98% 更低 GPU 記憶體，並支援超過 1024 的長序列。包含 DTW 空間平均的 barycenters 及完整 autograd 支援。
🔬
神經科學技巧為脈衝神經網路帶來 15 倍運算效率提升
開發者透過實作異質神經延遲（heterogeneous wire delays），成功提升了自製脈衝神經網路在 NARMA-10 基準測試中的記憶深度。此方法相較於標準連續神經網路，減少了 15 倍的算術運算量。
⚙️
TSAuditor：自動化時間序列數據審計框架
TSAuditor 是一個輕量級的開源 Python 工具，旨在偵測時間序列數據中常見的問題，如時間順序中斷、數據洩漏與序列突波。它提供描述性回饋與建議修復方案，以簡化時間序列專案的探索性數據分析 (EDA) 流程。
🔬
構建具備水平對齊架構的全球 PM2.5 預測模型
開發者利用 OpenAQ 與 NASA 數據構建了端到端的空氣品質預測管線。透過解耦預測水平並使用滯後向量，該模型成功克服了在複雜環境下的變異數問題。