论文
将边际交织到多元样本路径中：概率时间序列基础模型的免训练依赖构建
Interweaving Marginals into Multivariate Sample Paths: Training-Free Dependence Construction for Probabilistic Time Series Foundation Models
摘要
概率时间序列基础模型 (TSFM) 提供坐标预测分布，但这些边际并不能确定多元未来轨迹的联合分布。我们研究了冻结 TSFM 边际与多元预测样本路径的免训练耦合。我们的初步评估修复了每个通道的经验边际样本多重集——跨方法的水平坐标，单独隔离了耦合的影响。历史时间和通道关系极大地改善了其相应的依赖性诊断。当固定边际约束被移除并且直接对路径进行采样时，相同的模式仍然存在，并且在本机多元主干推断下仍然存在。这些结果支持将依赖性重建视为概率 TSFM 的一个独特的后处理问题。