将边缘分布交织进多变量样本路径：面向概率时间序列基础模型的免训练依赖关系构建
Interweaving Marginals into Multivariate Sample Paths: Training-Free Dependence Construction for Probabilistic Time Series Foundation Models
精选理由
提出无需训练的依赖重构方法，提升多变量时间序列预测的联合样本质量。
AI 摘要
概率时间序列基础模型（TSFMs）提供按坐标划分的预测分布，但这些边缘分布无法确定多变量未来轨迹上的联合分布。我们研究了将冻结的 TSFM 边缘分布免训练耦合为多变量预测样本路径的方法。我们的主要评估在各方法中固定每个通道—预测步坐标处的经验边缘样本多重集，从而单独考察耦合本身的影响。历史时间关系和通道关系显著改善了相应的依赖性诊断指标。当移除固定边缘约束、直接采样生成轨迹时，这一模式仍然存在；在原生多变量骨干推理下同样如此。这些结果表明，对于概率 TSFMs，应将依赖关系重建视为一个独立的后处理问题。