ICLR 2026（第十四届国际学习表征会议）将于2026年4月23日至27日在巴西里约热内卢的里约中心（Riocentro Convention and Event Center）举行。

在此学术盛会背景下，时间序列预测领域的跨域泛化困难与固有噪声干扰成为核心挑战。本文精选两篇ICLR论文：第一篇突破单模态局限，构建了首个多模态时间序列基础模型Aurora，融合图文先验知识，大幅提升零样本跨域预测精度；第二篇探究预测误差理论下界，创新提出OLMA损失函数，利用频域变换降低标签噪声的边际熵，有效缓解深度模型的频率偏置问题。两项突破性研究为更通用的时序分析指明了新方向。

我整理了这两篇论文的完整架构图+核心算法+零上手复现教程以及ICLR 2026论文大合集，感兴趣的dd，希望能帮到你！

原文 姿料 这儿~

一、论文1：【ICLR 2026】AURORA: TOWARDS UNIVERSAL GENERATIVE MULTIMODAL TIME SERIES FORECASTING

方法：

• 采用标记化（Tokenization）和蒸馏技术分别从时间序列、文本和图像中提取特征。

• 提出模态引导的多头自注意力（Modality-Guided Multi-head Self-Attention），利用图文领域知识来调整时序特征的权重。

• 在解码阶段，设计了原型引导的流匹配（Prototype-Guided Flow Matching），生成未来的周期和趋势原型进行概率预测。

创新点：

• 成功提出了首个支持多模态输入且具备零样本推理能力的时间序列基础模型。

• 创造性地引入外部文本和时序生成的内生图像（Endogenous Images）作为领域先验，打破了传统单模态模型的局限。

• 采用流匹配替代传统扩散模型，以生成的未来原型作为起点，显著提升了概率预测的稳定性和泛化力。

• 代码链接：https://github.com/decisionintelligence/Aurora

• 论文链接：https://arxiv.org/abs/2509.22295

二、论文2：【ICLR 2026】OLMA: ONE LOSS FOR MORE ACCURATE TIME SERIES FORECASTING

方法：

• 基于数学推导，证明了存在酉变换（Unitary Transformation）能够降低相关高斯过程的边际熵。

• 提出OLMA损失函数，在通道维度应用离散傅里叶变换（DFT）来降低标签的随机噪声，核心计算如下：

• 在时间维度联合采用DFT与离散小波变换（DWT），直接计算预测值与真实值在频域中的误差。

创新点：

• 首次从信息熵的理论视角出发，找到了通过频域变换压低时序预测理论误差下界的途径。

• 发现并解决了神经网络在拟合时序空间时的频率偏见（Frequency Bias）问题，使模型能均衡学习各频段特征。

• 提出的频域监督策略极其轻量通用，作为即插即用的损失函数，无需修改现有模型的结构即可直接提升预测精度。

• 论文链接：https://openreview.net/pdf?id=Q2AsBcFhWT