Unicorn：擴展高維時間序列預測的通用相關建模框架

研究論文『Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling』提出一個新的框架，旨在解決現代時間序列架構在通道獨立性和通道依賴性之間的根本權衡。論文指出，通道獨立模型能良好擴展數據量，但忽略了通道間的關鍵依賴；而通道依賴模型雖具表達力，卻受限於維度，難以泛化異質數據集。為此，研究者引入Unicorn（通用相關網絡），其核心是一個潛在原型碼本，將相關建模與特定通道身份解耦。通過將異質通道投影到共享潛在空間，Unicorn學習與身份無關的、可重用的交互模式，這些模式可跨領域轉移，適用於不同維度和語義的數據集。廣泛的實驗表明，Unicorn在少樣本轉移場景中顯著優於現有預測架構，為多變量時間序列基礎模型提供了可擴展的路徑。這項研究為時間序列分析帶來了新的突破，有望推動AI在預測任務中的應用。