在时间序列（Time Series）分析领域，近期研究逐渐聚焦于以时间片段（Patch）为基础单元的细粒度建模，以克服大型模型计算成本高、局部动态捕捉不足的挑战。

本文解析的两篇ICLR 2026论文均以此为切入点：第一篇提出PaAno，通过轻量级特征编码和记忆库机制，实现了高效的异常检测；第二篇提出xCPD，将单变量Patch视为图节点，在频域中解耦并路由通道-时间片段依赖（Channel-Patch Dependencies），显著提升了预测精度。两者分别在空间表征与频域图谱分解上展现了Patch级建模的巨大潜力。

我整理了时间序列+Patch方向相关论文合集，还有这2篇论文的完整架构图+核心算法以及零上手复现教程。希望能帮到你，感兴趣的dd！

原文 姿 料，这儿~

一、论文1：[ICLR 2026] PaAno: Patch-Based Representation Learning for Time-Series Anomaly Detection

方法：

• 构建滑动窗口提取短小的时间Patch，并使用轻量级一维卷积神经网络（1D-CNN）提取特征向量。

• 采用结合三元组损失（Triplet Loss）和前置预测任务的联合目标训练模型：

• 推理时，将当前Patch特征与预构建的正常数据记忆库（Memory Bank）求近邻距离，从而得到异常分数。

创新点：

• 提出了一种新颖的基于Patch局部表示的学习框架，能更精准地捕捉时序信号中的局部上下文偏离。

• 采用极轻量架构，抛弃高昂的Transformer结构，大幅提升了资源受限场景下的实时异常检测速度与效率。

• 在消除“点调整”和“阈值调整”偏见的严格基准（TSB-AD）下始终保持最优（SOTA）性能。

• 代码链接：https://github.com/jinnnju/PaAno

• 论文链接：https://arxiv.org/pdf/2602.01359

二、论文2：[ICLR 2026] Routing Channel-Patch Dependencies in Time Series Forecasting with Graph Spectral Decomposition

方法：

• 将多通道时间序列切分为通道-时间片段（Channel-Patch）节点，利用共享的图傅里叶基（Graph Fourier Basis）投影到谱域：

• 根据谱能量响应强度，将Patch自动聚类为低、中、高频组。

• 引入动态混合专家（Dynamic MoE）路由机制，为各个Patch自适应分配特定频率滤波器以捕获时变依赖关系。

创新点：

• 首创性地将变量交互的建模粒度从整条通道细化至Channel-Patch级别，解决了传统方法难以捕捉局部时段多变量关系的问题。

• 突破时域限制，在频域内解耦不同波段的依赖关系，有效避免低频趋势与高频噪音相互干扰。

• 该方法作为一个模型无关（Model-agnostic）的即插即用组件，无需重新训练主干网络即可直接提升各类预测模型的性能。

• 代码链接：https://github.com/Clearloveyuan/xCPD

• 论文链接：https://arxiv.org/pdf/2603.13702