arXiv 于 2026 年 5 月 26 日收录了一篇题为《Unicorn: Scaling High-Dimensional Time Series Forecasting via Universal Correlation Modeling》的新论文（编号 arXiv:2605.30376v1，主分类为机器学习 cs.LG，交叉分类为人工智能 cs.AI）。论文由 Haochen Yuan 领衔，另有三位合作者，提交时间为 2026 年 5 月 26 日 10:17:09 UTC，全文约 206 KB。DOI 为 10.48550/arXiv.2605.30376，由 DataCite 发放。
论文聚焦现代时间序列预测架构中长期存在的一对矛盾。一类是通道独立（channel-independent）模型，它们会随着数据规模的增长而良好扩展，训练和部署都更简单，但完全忽略了不同通道之间关键的相互依赖关系；另一类是通道相关（channel-dependent）模型，表达能力强，能够刻画通道间交互，却受制于所谓“维度受限”（dimension-bounded）问题——模型往往绑定在特定通道数量与语义上，难以在维度、语义各异的异构数据集之间泛化迁移。
为弥合这一鸿沟，作者提出 Unicorn（Universal Correlation Network，通用相关性网络），一个面向高维时间序列、支持多数据集预训练的可扩展框架。其核心是一个潜在原型码本（latent prototype codebook），作用是把相关性建模与具体的通道身份解耦：不再让模型学习“第几个通道与第几个通道如何关联”，而是把异构通道投影到共享的潜在空间，从而学习与身份无关、可复用的交互模式。这些模式能够跨领域迁移，即使目标领域的维度数量和语义含义与预训练数据不同也依然适用。
作者通过大量实验评估该框架，结果显示 Unicorn 显著优于当前最先进的预测架构，在少样本迁移（few-shot transfer）场景中优势尤为突出。论文据此认为，该工作为构建多变量时间序列基础模型（multivariate time series foundation model）提供了一条可扩展的路径。
需要说明的是，作为 arXiv 新投稿，该论文尚待同行评审，摘要中的性能结论目前仅基于作者自述的实验结果。论文提供 PDF、实验性 HTML 版本与 TeX 源码，并可通过 alphaXiv、Hugging Face、Connected Papers 等第三方工具查看相关资源。