浙江财经大学CPiRi打破时序预测僵论：冻结底座提取特征，通道乱序性能零波动

ICLR'26新研究CPiRi为多元时间序列预测（MTSF）领域带来了范式突破。该框架通过冻结的预训练时间编码器提取稳健的时序动力学特征，并利用轻量级空间模块专注学习“内容驱动”的跨通道交互。其核心创新在于，配合置换不变正则化（通道混洗）训练策略，迫使模型学习可泛化的跨通道关系，彻底摆脱对绝对位置索引的依赖。实验表明，CPiRi不仅刷新了多项SOTA，更在通道乱序测试中实现了性能零波动，展现出惊人的鲁棒性。

这项研究直指该领域长期存在的“通道依赖”（CD）与“通道独立”（CI）路线之争的核心矛盾。CD方法理论上限高但易过拟合，而CI方法鲁棒性强却放弃了跨通道联合分布的建模。CPiRi的提出，旨在化解这一范式矛盾，试图同时拥有CI的鲁棒性与CD的物理关联捕捉能力。其关键验证在于，模型在“只见过25%传感器”的极端少样本条件下，依然能泛化至全网络，实现了真正的零样本归纳泛化。

这一突破为智能交通、能源电网等极易发生“结构性分布漂移”的真实业务场景，提供了一条可落地、可迁移与可维护的全新技术路径。它意味着模型在面对现实世界中传感器增减、网络结构变化等隐秘挑战时，可能具备更强的适应性和稳定性，为解决实际工业系统中的预测难题开辟了新方向。