深度分析
新聞增強時間序列預測：結合重要性感知壓縮與過程獎勵模型的框架
本研究針對時間序列預測結合新聞的挑戰，提出重要性感知壓縮與 PRM 引導的補充新聞選取機制，動態分配壓縮預算保留關鍵資訊，兼顧上下文窗口限制與離線訓練的獎勵模型指導，線上僅使用凍結的過濾與壓縮模組，於金融、能源、交通與比特幣基準測試提升預測精度並減少迭代次數，顯著降低計算成本。
時間序列預測
深度分析
CastFlow：角色專精代理工作流程提升時間序列預測精度
隨著大型語言模型在時間序列預測的應用日增，傳統一次性生成方式受限於模式抽取與特徵取得。CastFlow以規劃、行動、預測、反思四階段的代理工作流程，結合記憶模組與多觀點工具箱，支援多輪特徵蒐集與迭代修正。該框架採用凍結LLM負責規劃與反思，微調領域LLM執行數值預測，透過兩階段工作流程訓練提升穩定性。實驗顯示其在多項基準上優於現有模型，提升預測準確度。
KAN
自相關影響 Hessian 條件數，導致 KANs 頻譜偏好 — DCT-KAN 的實驗與分析
時間序列預測常以延遲觀測作為輸入且具高度自相關。研究指出自相關會在 KANs 中再度引入低頻偏好；透過理論推導顯示 Hessian 條件數受輸入自相關矩陣極端特徵值影響，並提出以離散餘弦轉換（DCT）做去相關預處理，實驗顯示可顯著減輕 KAN 在有自相關輸入下的低頻偏好與學習劣化。
深度分析
TimeSAF：LLM 引導的語意非同步融合提升時間序列預測效能
大型語言模型在時間序列預測中的應用面臨語意感知失調問題。TimeSAF 透過非同步融合將語意與時間特徵分離，使用可學習查詢聚合全域語意並階段式回注至時間骨幹。實驗顯示其在長期預測與少樣本遷移上均顯著優於現有方法。
深度分析
AR‑KAN：自迴歸加權增強 Kolmogorov‑Arnold 網路在時間序列預測的突破
傳統神經網路難以捕捉近週期訊號頻譜結構。研究者提出結合自迴歸模組與 Kolmogorov‑Arnold 網路的 AR‑KAN，理論上誤差上界較低，實驗驗證其在合成與實際資料上皆優於現有模型，顯示出卓越的預測效能。
深度分析
AlphaCast：結合人類智慧與大語言模型的互動式時間序列預測框架
時間序列預測在決策中關鍵，AlphaCast將其轉為類似專家多回合推理流程，結合特徵、知識庫與案例支援LLM，實驗證明其整體表現優於既有基線。