Unicorn：通过通用相关建模扩展高维时间序列预测

现代时间序列预测架构面临一个基本权衡：通道独立模型（Channel-Independent）随着数据量增加而扩展良好，但忽略了关键的通道间依赖关系；而通道依赖模型（Channel-Dependent）表达能力强，但受限于维度，难以在异构数据集上泛化。为了弥合这一差距，研究人员提出了Unicorn（Universal Correlation Network，通用相关网络），这是一个用于高维时间序列可扩展多数据集预训练的框架。该框架的核心是一个潜在原型码本（Latent Prototype Codebook），它将相关建模与特定通道身份解耦。通过将异构通道投影到一个共享的潜在空间中，Unicorn学习与身份无关、可重复使用的交互模式，这些模式可以跨不同维度和语义的领域迁移。具体而言，Unicorn不再是直接建模通道间的相关性，而是通过原型码本捕捉通用的相关模式，从而避免了对特定通道索引的依赖。大量实验表明，Unicorn显著优于最先进的预测架构，特别是在少样本迁移场景中。例如，当目标域只有少量样本时，Unicorn能够利用从其他数据集学到的通用相关模式，快速适应新任务。这一优势为构建多变量时间序列基础模型提供了一种可扩展的途径，避免了传统方法中维度爆炸或泛化能力不足的问题。Unicorn的研究不仅推动了时间序列预测的理论发展，也为实际应用提供了可能。在金融、气象、能源等领域，高维时间序列数据普遍存在，Unicorn的通用相关建模能力有望显著提升预测精度和模型适应性。未来工作可能涉及更大规模的预训练和更复杂的原型机制，以进一步探索其在更广泛场景中的潜力。