WWW 2026将于2026年6月29日至7月23日在阿联酋迪拜举行。我对时间序列time series相关的论文进行了梳理并从中挑选出两篇具有代表性的工作。这两篇论文分别从不同角度切入时间序列分析中的两大核心难题提出了针对性的解决方案。第一篇论文针对训练数据中普遍存在的噪声与低可预测性样本提出了一套通用训练框架通过动态惩罚这些“难缠”的样本有效提升了模型的鲁棒性。另一篇则聚焦于在线时间序列预测OTSF中的概念漂移concept drift问题通过将漂移细分为不同类型并设计动态专家委员会模型让预测系统既能“记住”历史模式也能灵活应对全新变化。具体解析请看下文。另外WWW 2026 时间序列相关论文合集我已经整理好啦感兴趣的自取希望能帮到你源 文、姿 料这儿~一、论文1Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification方法本文提出了一个通用的摊销可预测性感知训练框架 (Amortized Predictability-aware Training Framework, APTF)。其核心是通过分层可预测性感知损失 (Hierarchical Predictability-aware Loss, HPL)动态识别并惩罚训练中的低可预测性样本。该方法在训练的不同阶段通过一个 evolving 的分桶策略逐步加大对高损失样本的惩罚同时引入一个摊销模型 (amortization model)来修正单模型带来的估计偏差从而提升模型训练的稳定性和最终性能。创新点首个关注低可预测性样本的通用训练框架首次为时间序列预测 (Time Series Forecasting, TSF)和时间序列分类 (Time Series Classification, TSC)任务设计了一个统一的训练框架通过动态惩罚噪声样本来改善模型收敛具有广泛的适用性。分层可预测性感知损失 (HPL)创新地提出了HPL来解决“可预测性演化问题”。它通过在训练过程中动态调整分桶策略和损失权重使模型能够专注于学习高可预测性样本同时又不过度拟合噪声。引入摊销模型减少估计偏差受协同训练启发引入一个辅助的摊销模型来交叉验证和修正主模型对样本可预测性的判断有效减少了因模型自身偏见导致的错误惩罚进一步增强了框架的有效性。代码链接https://github.com/Meteor-Stars/APTF论文链接https://arxiv.org/pdf/2602.16224二、论文2Dynamic Multi-period Experts for Online Time Series Forecasting方法本文提出 DynaME (Dynamic Multi-period Experts)一个专为在线时间序列预测设计的混合框架。它通过动态专家委员会来应对不同类型的概念漂移。对于循环漂移 (Recurring Drift)它利用傅里叶变换动态识别当前最相关的历史周期并“即时”训练多个轻量级的非参数化 (non-parametric)专家。对于突现漂移 (Emergent Drift)它通过监测危险信号 (danger signal)预测误差的急剧增加来启动安全机制转而依赖一个稳定的通用专家保证模型的适应性和稳定性。创新点概念漂移的创新分类首次将在线预测中的概念漂移 (concept drift)问题细分为“循环漂移”历史模式重现和“突现漂移”全新模式出现两种类型为设计更精细的应对策略提供了理论基础。动态非参数化专家委员会独创性地使用一个动态委员会其中包含多个“用完即弃”的非参数化专家。这些专家在每个时间步被快速拟合到最相关的历史数据上以极低的计算成本高效捕捉循环出现的模式。双重适应机制设计了巧妙的双重机制一个动态门控网络 (Dynamic Gating Network)用于智能组合不同专家的预测以适应循环漂移一个基于“危险信号”的安全机制则用于在突现漂移发生时稳定模型防止性能崩溃。关键公式论文通过求解岭回归的对偶形式实现了非参数化专家的快速拟合。其预测计算公式如下该方法避免了对高维特征矩阵求逆将计算复杂度从依赖于特征维度 转移到依赖于更小的样本数量 是实现高效在线学习的关键。其中 是第 个专家的预测 是当前输入的特征表示 和 分别是该专家从历史数据中采样得到的特征和目标批次。代码链接https://github.com/shhong97/DynaME论文链接https://arxiv.org/pdf/2603.09062