北大林宙辰团队论文：从数据中自适应学习时序预测损失丨ICLR 2026

在多步时间序列预测任务中，预测性能随时间步长迅速退化几乎成为一种共识。例如：在气象预测中，短期的温度变化能够较为准确地刻画，但当预测跨度扩展至数日甚至一周时，预测误差就会逐渐放大，周期与趋势结构逐渐偏离真实轨迹。类似的问题在金融价格走势和电力负荷预测等场景中也广泛存在。 无论模型结构如何变化，当预测范围从短期扩展至中长期时，误差积累、趋势漂移和结构失真往往不可避免地出现。这类现象在实践中被频繁观察，却通常被视为模型表达能力或依赖建模不足的直接结果。 然而，与模型结构持续演进形成鲜明对比的是，多步预测在训练阶段所使用的损失函数却长期保持固定。大多数方法仍以逐时间点的均方误差（MSE）作为优化目标，默认将未来不同预测步视为相互独立且重要性一致的预测对象。 但是，多步预测并非一组彼此独立的回归任务，未来不同时间点之间往往呈现显著的相关性；此外，不同预测步在优化阶段的重要性也并不相同。若损失函数无法显式刻画这些结构特征，模型在长期预测中出现系统性偏差便并非偶然，而是训练阶段错误假设的自然结果。 正是在这一背景下，林宙辰团队提出了题为《Quadratic Direct Forecast for Training Multi-step Time-Series Forecast Models》的研究工作。通过重构训练目标的加权结构，引入对预测步相关性与不确定性差异的显式建模。研究团队展示了在不改变模型架构的前提下，仅通过调整训练目标即可显著改善多步预测性能的可能性，从而为时间序列预测提供了一种从训练机制层面理解长期预测失效的新视角。 论文链接：https://arxiv.org/pdf/2511.00053v1 问题根源：均方误差的两个先验 在当下的时序预测领域，绝大多数文献仍以逐时间点的均方误差（MSE）作为损失函数： $$mathcal{L}_{ ext{MSE}} = |mathbf{y} -