Falcon-X：面向异构多变量建模的时间序列基础模型
机器学习
2026-05-27 v1 人工智能
摘要
时间序列基础模型 (TSFM) 通过大规模跨域预训练正在改变预测范式。然而，大多数现有 TSFM 仍为单变量，近期尝试在原始变量空间直接实现跨变量建模仍面临语义对齐和关系表达性的根本局限。具体而言，原始空间的组混合缺乏对异构物理量的专用对齐机制，而标准的非负注意力无法捕捉真实系统中普遍存在的复杂协同与对抗性相互作用。为此，我们提出 Falcon-X，解耦变量与原始空间，将其映射到统一的潜在原型空间。Falcon-X 采用 Unified Prototype Diff-Attention 机制，显式评估正负语义亲和力，以显式对齐异构变量。随后，通过 Latent Entity Attention 在共享空间内高效进行跨变量相互作用，自然实现零样本结构迁移。最后，Variability Reassembly Router 通过请求-调度机制稳健地重建变量特定轨迹。广泛的在 GIFT-Eval 和 fev-bench 基准上的评估表明，Falcon-X 实现了时序预测的状态-of-the-art 性能，为复杂多变量环境提供了原则且可扩展的建模范式。Falcon-X 已公开发布以支持未来研究。
引用
@article{arxiv.2605.27286,
title = {Falcon-X: A Time Series Foundation Model for Heterogeneous Multivariate Modeling},
author = {Yiding Liu and Yifan Hu and Hongjie Xia and Peiyuan Liu and Hongzhou Chen and Xilin Dai and Zewei Dong and Jiang-Ming Yang},
journal= {arXiv preprint arXiv:2605.27286},
year = {2026}
}