다변량 시계열 예측에서 채널별 이질성을 무시하는 기존 검색-증강 방식의 한계를 극복하기 위해, CRAFT는 각 채널이 희소 관계 그래프(시간 도메인)와 스펙트럼 유사도(주파수 도메인)로 구성된 2단계 파이프라인을 통해 독립적으로 과거 참조를 검색하는 채널별 검색-증강 예측 프레임워크를 제안한다. 7개 공개 벤치마크 실험에서 CRAFT는 RAFT 등 최신 베이스라인을 능가하는 예측 정확도를 실용적인 추론 효율성과 함께 달성했다.
xLSTM 기반 순환 구조를 채택한 시계열 파운데이션 모델 TiRex-2는 단변량 TiRex를 다변량 예측으로 확장하여 과거 및 미래 공변량을 모두 지원하면서 스트리밍 추론 시 패치당 일정한 비용을 유지한다. 양방향 시간 믹서와 비대칭 그룹 어텐션 변량 믹서를 결합해 타깃 변수의 인과성을 보존하며, GIFT-Eval과 fev-bench에서 제로샷 최고 성능을 달성하고 임의의 컨텍스트 길이에서도 안정적으로 동작한다.
많은 다변량 역학 시스템(dynamical systems)은 궤적(trajectories)을 통해서만 관측되며, 이로 인해 결합 역학(joint dynamics)을 지배하는 메커니즘은 숨겨져 있습니다. 기존 접근법은 해석 가능한 역학을 부과하거나 유연한 상태 전이를 학습할 수 있지만, 그 결과로 나타나는 상호작용 구조는 일반적으로 미리 지정되거나 학습된 역학 내에 암묵적으로 남겨집니다. 우리는 모든 변수를 공유 필드 상태(shared field state)로 표현하고 학습된 관계 법칙(relation law)을 통해 이 상태를 업데이트하는 순환 역학 모델(recurrent dynamical model)인 MF-Net을 소개합니다. 각 변수는 필드 성분(field component)을 가지며, 이 성분들은 학습 가능한 역학적 전이(mechanical transition)를 통해 공동으로 진화합니다. 여기서 역학적(mechanical)이라는 용어는 전이의 관계-운동(relation-to-motion) 조직을 의미하며, 학습된 관계는 필드 상태를 앞으로 이동시키는 상태 의존적 흐름(state-dependent flows), 필드 응답(field responses), 운동 경향성(motion tendencies)을 형성합니다. 결과적인 구조는 롤아웃(rollout) 자체의 일부입니다: 학습된 관계는 필드가 이동하는 방식에 영향을 미치며, 동일한 내부 양이 예측(forecasting)과 구조적 리드아웃(structural readout)을 모두 지원합니다. 법칙이 알려진 상호작용 시스템, 혼돈 벤치마크(chaotic benchmarks), 실제 신경 기록, 생태학적 시계열에 걸쳐, MF-Net은 검사 가능한 구조적 리드아웃을 유지하면서 경쟁력 있는 단기 및 중기 예측 성능을 달성합니다. 40차원 Lorenz-96 테스트베드에서 MF-Net은 8단계 $R^2$ 점수 $0.798\pm0.018$을 달성했습니다. 5개의 시드(seed)에 걸쳐, 학습된 관계 행렬은 국소/비국소 강도 비율이 $19.80\pm1.00$이고 정밀도@K(Precision@$K$)가 $1.000\pm0.000$인 국소 결합 지지(local coupling support)를 복원했습니다. MF-Net은 학습된 관계가 순방향 진화(forward evolution)를 통해 훈련되며, 실제 데이터에서는 적절한 관측 한계 하에서 기능적 예측 결합(functional predictive couplings)으로 해석되는 구조 가독형(structure-readable) 역학 모델링 프레임워크를 제공합니다.