时序生成式预测在金融与医疗等高风险领域至关重要。面对数据非平稳性、极端事件冲击及采样不规则等严峻挑战传统点预测常因过度自信而失效产生巨大风险。本文解析的两项最新研究开辟了新路径前者首创不确定性门控Uncertainty-Gated机制将不确定性作为控制信号贯穿预测模型内部表征与生成后者针对不规则多变量时间序列Irregular Multivariate Time Series, IMTS结合自适应熵感知切分与条件扩散模型Conditional Diffusion Model利用外部协变量作为预测先验引导分布生成。两者极大地提升了复杂时序分布生成的精度与决策可靠性。我整理了时序生成式预测相关论文希望能帮到你原文 姿 料 这里一、论文1[ICLR 2026] UNCERTAINTY-GATED GENERATIVE MODELING方法论文提出了一种不确定性门控生成模型Uncertainty-Gated Generative Modeling, UGGM将不确定性通过门控网络Gate转换为内部控制信号。在特征提取阶段利用该门控量动态调节隐变量的随机性注入随后通过“置信度×相似度”加权的方式调节注意力传播最终通过 probabilistic decoder 输出带有不确定性条件的预测分布。创新点范式创新首次将不确定性从被动的“输出结果”升级为主动的“控制信号”全面介入模型的表征、信息路由与生成过程。风险敏感与鲁棒性增强在底层架构如弱创新自编码器, WIAE上进行门控扩展后不仅极大降低了预测误差还在极端重尾冲击和机制转换Regime Shifts期间提供了更为保守、校准度更高的边界预测。论文链接https://arxiv.org/pdf/2603.07753二、论文2[ICLR 2026] FITS: CONDITIONAL DIFFUSION MODEL FOR IRREGULAR TIME SERIES FORECASTING WITH PSEUDO-FUTURE EXOGENOUS COVARIATES方法本文将具有不规则采样的时序预测建模为条件生成任务。模型首先利用样本熵Sample Entropy测量信息密度以此动态划分自适应的数据块边界。然后利用 Transformer 作为先验提取器提取外生协变量前瞻性特征并与真实分布混合构建条件信号最终通过该条件信号引导连续时序的逆向去噪扩散过程生成未来的分布。创新点熵感知自适应补丁机制打破了传统时间序列统一长度分块的限制利用信息密度动态截断保留由于不规则观测产生的关键局部连续语义。伪未来协变量引导创新性地设计了跨变量注意力结构不仅融合了全局时序信息还利用相关外生特征的未来演化对扩散模型进行条件约束聚合大幅提升生成分布的精准度。论文链接https://openreview.net/pdf?idnGLefuWScZ