CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

ATT-0086 A路独立评审

论文：CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

版本：2505.23116v1；评审日期：2026-11-08。

总体判断与历史线索

CrossLinear最有价值的选择，是把多对一预测当作目标明确的任务：只预测需要的内生变量，用一个小卷积整合其他历史变量，再交给共享的patch投影和线性预测头。这比默认把所有变量都预测一遍更贴近许多实际需求，也提供了能接到现有模型前面的简单模块。实验覆盖七个长序列数据集和五个电价市场，同时测试多对一和多对多，工程实用性较好。创新主要在结构约束、残差参数化与评测组织，不能把通道卷积本身看成新的相关性估计理论。

本次先读旧摘要，再独立阅读全文十三页及附录A至E。旧摘要关于缺重复实验、参数化归因和个别退化的线索得到原文支持，但没有沿用其总分。额外发现Traffic的DLinear原始均值与四个跨度数值不一致，足以改变该插件平均改善的方向。旧评全文没有提供，ACM页面版本也未与此arXiv v1逐字比对。

方法实际做了什么

式(7)把标准化后的内外生历史叠为N个通道，用核长3的一维卷积压成一条表示，式(8)再用α保留目标自身的残差。它没有用未来外生观测，因此当前证据是历史协变量辅助预测，不涵盖节假日已知未来值、天气预报轨迹等更广的外生输入接口。方法也不直接计算样本互相关函数，只是学习共享卷积系数；“cross-correlation”应理解为模块命名和结构动机。

固定卷积核确实提供时间共享的归纳偏置，但一层线性融合不能保证只保留真实直接依赖，更不能排除代理变量、共同原因或数据特定的间接关系。图4把核权重求和解释为气象物理关系，缺独立真值或可识别性证明，且后续预测头、残差比例和归一化都会改变整体输入影响。因此单个核的颜色不等于系统的真实依赖强度，结果应称为学习到的权重诊断。

重参数化与消融如何理解

附录B正确指出，在可包含目标恒等映射且卷积无额外约束的条件下，K′=(1−α)K+αS可以把Sum形式吸收进Cross Only卷积；如使用偏置，还需同步缩放偏置。两者表达能力相同并不意味着优化过程相同。表4中Sum优于Cross Only，更合理的解释范围是初始化、残差先验、有效学习率与正则化路径，而非证明模型新增了识别真实依赖的能力。图3显示α初始接近一更好，反而支持这种优化解释。Cross Only对各通道有独立可学习权重，也并不是字面意义上强制所有变量等权。

位置嵌入之后直接展平并通过线性层，固定PE在这种结构中可成为输出偏置的一部分；全局线性头本来也能区分展平位置。所以表10的PE收益可以成立，但不能单独证明“否则模型不知道位置”。类似地，patch投影与线性头连续组合主要改变低秩或分块参数化，其收益需与容量、优化约束区分。以上并非否定简化结构，恰恰说明论文的主要价值可能是良好归纳偏置，而不是更强函数表达类。

主结果、基线与任务边界

表2里CrossLinear相对TimeXer在多数条件较好，ECL平均MSE0.323对0.327，Traffic0.152对0.156，体现了轻量模块的竞争力。但这两个约百分之一至几的优势没有种子离散度，不能直接当稳定领先。ECL-720的0.403反而差于TimeXer0.365，ETTm2-720也不及若干线性方法；电价平均MAE0.266略差于TimeXer0.265。表3多对多Traffic的MSE0.483差于iTransformer0.428，说明简单共享卷积在高维目标联合任务仍有边界。

十个深度基线包含关键TimeXer、iTransformer、PatchTST和轻量线性模型，选择总体合理。但统一长输入96限制了部分基线的最佳状态，所有模型十轮也不等于相同收敛程度。针对电价任务，文中引用NBEATSx却不比较它，也缺统计回归类强基线，因而结论是对所列深度模型的比较。附录说基线遵循原论文或仓库配置，又强调固定十轮，逐模型实际覆盖与调参预算未完全列明。Weather保留异常值并承认其导致归一化误差异常小，值得肯定，但该表难以独立代表真实气象预测效用；不能和多对多Weather或其他处理版本的误差直接横比。

插件推广存在明确反例和汇总冲突

表11中DLinear在Traffic-96从MSE0.268变0.338，退化很明显；ECL平均MAE也由表5的0.457变0.463。更重要的是，原图确认Traffic DLinear四个原始MSE为0.268、0.302、0.298、0.340，简单均值应为0.302，而表2、表5和表11却报0.323。插件后的四行均值为0.308。若逐跨度数字正确，这个模型的平均MSE是变差，不是汇总表展示的改善。MAE同样如此：四行原值均值0.3845，而非所报0.404；加入后均值0.39125，仍是变差。

这里能确认的是“行值、均值和改善叙述不相容”，不能在没有运行记录时断定究竟哪组原始结果是对的，也不能据此指控数据造假。但它实质影响插件推广结论，需要暂停采信该项平均改善。RLinear、SparseTSF等其他表内收益仍有支持，不应一并抹去。相比“确保提高”“几乎无成本”的表述，更准确的是多数配置有潜力，但存在损失、数据和骨干相关的失败情形。

鲁棒性、成本与复现

缺失值实验是有用补充：分别遮掉内生和外生的50%或100%，比较零值与随机噪声。不过没有与其他模型做同样缺失协议的对照，也没有清楚交代遮挡是在RevIN统计计算之前还是之后。若完全遮掉目标却仍使用原目标的均值和尺度，所谓完全无内生信息就不成立；若先遮挡，零方差如何处理又影响实现。这里只标记协议未知，不断言存在泄漏。该实验亦不覆盖长时间连续缺测、非随机故障或关系变号。

复杂度O(T)对固定变量数、核长、隐维和输出跨度成立，并不等于所有尺度都便宜：多对一卷积约随TNK增长，多对多全通道卷积可随TN²K增长，预测头还依赖输出长度。图4(b)在同批量ECL上显示相对TimeXer有速度与误差优势，是有用的实测点；但没有插件逐骨干开销、完整推理内存和多变量数扩展曲线，“近乎免费”超出证据。代码与Zenodo入口明确，附录给优化器、学习率范围及核配置，可作为复用起点；本次未执行或验证代码快照。

整体上，保留其作为低成本历史协变量融合方案的价值，收缩物理解释、普遍改善和扩展效率承诺。缺少随机种子与误差区间、关键汇总冲突及归因竞争解释，是当前最限制可信度的因素。这些是论文证据边界和条件化研究问题，不向用户布置实验任务；四项个人相关性因背景未知而不评分。

24维评分

核心主张

- CL01：简单历史协变量融合在多领域有精度成本竞争力。条件：文中固定输入长度与十轮训练配置。支持：条件性支持，不是所有数据任务或损失领先。定位：表2/3、图4b。
- CL02：Sum与Cross Only可用卷积重参数化得到相同映射。条件：卷积含恒等选择核，约束和偏置同步处理。支持：支持表达类等价，不支持训练轨迹或机制等价。定位：附录B式14–18。
- CL03：插件在各模型上稳定改善预测。条件：五骨干与所列数据。支持：多数支持但有退化；DLinear Traffic平均改善暂不采信。定位：表5/11。
- CL04：学习核只捕捉直接不变的真实物理依赖。条件：需可识别或独立关系真值。支持：未证，只有结构先验与个案权重图。定位：3.4、4.4.2。

风险和问题

- R01（重要问题；原图与算术确定，实际运行输出未知）：DLinear Traffic四行均值0.302/0.3845而非0.323/0.404；按行值插件平均反而退化。定位：p6表2、p8表5、p12表11。问题：哪些行或均值是最终运行结果，修正后插件平均结论是什么？
- R02（重要问题；表达类等价已证明，实际优化归因未分离）：Sum优势不能独立证明真实直接依赖学习，权重热图不具物理可识别性。定位：表4、附录B、图4a。问题：当前证据能否将结论收缩为残差参数化的经验收益？
- R03（重要问题；报告缺失）：主表和消融缺种子数量、误差区间及配对比较。定位：表2–6、附录A–D。问题：千分级差距在现有证据下应保留多大不确定性？
- R04（重要问题；协议未知，不等同确认泄漏）：完全目标遮挡时RevIN统计的计算顺序未说明，缺失鲁棒性解释依赖此条件。定位：4.3.2、表6、式3–6。问题：遮挡前后是否还利用未遮挡目标的均值或尺度？
- R05（重要问题；成本模型可分析，实际扩大规模性能未验证）：O(T)隐藏变量数与输出跨度，多对多卷积存在N平方项，不能推成几乎免费。定位：3.6、4.4.3、表7。问题：效率结论在什么变量数和预测长度范围内成立？

阅读与版本记录

{
"legacy": "先读历史摘要；独立复核表11退化和附录B，不读其他新评；旧全文缺失",
"full_text": "PDF1–13全部正文、参考文献、附录A–E、所有表格和展示图",
"visual_checks": "p9敏感性/依赖热图/效率；p12原始表11逐格核对DLinear Traffic；p13等价证明与预测展示",
"arithmetic_checks": "DLinear Traffic原MSE均值0.302、插件0.308；原MAE均值0.3845、插件0.39125，均由表11四跨度直接计算",
"code_executed": false,
"data_versions": "2505.23116v1；未核对ACM文本同一性、Zenodo具体归档或实验数据哈希"
}

正文中文字符数：1933。旧评全文未提供；只读可得摘要。未读其他新评。未运行论文代码、训练或推理。

ATT-0086 B路独立评审

CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

版本：2505.23116v1；阅读完成：2026-11-08T02:58:55.062641+00:00；物理页：[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13]。

先读可得历史摘要，再完整阅读2505.23116v1的十三页，包括附录A—E；旧完整评语缺失，不将历史总分或意见当成新判断。CrossLinear的核心是把目标变量和历史协变量堆叠，经过单层一维卷积后与目标自身作可学习加权，再进入分块线性映射及预测头。这是实用而低门槛的设计，尤其适合已有通道独立预测器需要借助其他变量的情形。需要区分三个命题：简单混合层能改善一些预测器、残差参数化有训练优势、卷积权重真实识别直接变量依赖。第一项有相当实验支持，第二项有现象但归因尚弱，第三项没有得到识别意义上的验证。

第4页的符号明确输入只有历史内生与外生变量，不包括已知未来的日历、天气预报或价格驱动量。因此这里的exogenous主要是预测协变量，不能自动等同于计量经济学的外生性，更不能由性能推得因果关系。归一化固定后，所描述的卷积、残差、patch投影、位置向量与线性头构成仿射映射；RevIN统计量依赖样本，所以不宜把整个原始输入到输出都称为单一固定线性矩阵。该设计的价值更可能是参数共享、局部约束和训练偏置，而不是新的非线性表达族。位置编码是与数据无关的加性项，flatten后的预测头本已区分位置，其作用不能仅凭常见Transformer类比就认定为不可替代的时间次序建模。

附录第12—13页的Sum与Cross Only等价证明是一个优点。在匹配padding、可容纳单位选择核、妥善处理偏置的条件下，K′=(1−α)K+αS确能吸收残差。它证明两个表达族的重参数化关系，不是同一组数值权重产生相同结果，更不是两个训练程序必然等价。因此Sum在ECL平均MSE为0.323而Cross Only为0.396，不能解释为Sum获得了后者原则上无法表示的额外信息。初始化、有限迭代、正则化和优化路径都可产生差距。作者第13页也承认重参数化与有限数据因素，应保留这份克制，而不将正文“防止学到不恰当表示”扩展成唯一机制。

基线覆盖TimeXer、TiDE、多种Transformer及线性模型，较只对弱模型有明显优势；十二个数据集和两种输出范式也具有广度。不过接近最佳的许多差距很小：外生预测ECL均值0.323对TimeXer的0.327，ETTh1为0.072对0.073，且ECL的720步本作0.403反而差于0.365。EPF平均MSE优于TimeXer，但MAE为0.266，略差于0.265；多变量Traffic也不及iTransformer。统一历史长度96、十轮训练的设置未证明各模型在等预算下接近其最佳状态。附录说所有基线遵循官方配置，与统一轮数和学习率搜索的关系仍不完全清楚。没有随机种子次数、方差或配对区间，无法判断千分位排序的稳定性。Weather异常值与归一化导致很小误差虽有作者说明，不能把原始汇总指标自动当成已经验证的异常鲁棒性。

消融比仅删除模块丰富：Endo Only、Cross Only、Concat以及α、β、窗口长度、kernel和隐藏维度都有结果。ECL去掉其他变量从0.323升到0.356，支持协变量有用；ETTh1从0.072到0.073及Traffic从0.152到0.155，则显示收益高度依赖数据。Concat与Sum的差距也混有不同输入宽度及参数预算。五种既有模型上的插件结果是最有可复用价值的部分，但不可概括成每种组合都提升。DLinear的Traffic在96步由0.268变为0.338，ECL平均MAE也由报告的0.457变成0.463。

本次还逐项核对了比历史风险更重要的汇总算术问题。第12页表11中，DLinear原始Traffic四行MSE为0.268、0.302、0.298、0.340，算术平均是0.302，而表列0.323；四行MAE平均0.3845，而表列0.404。这两个不一致也见第6页主表。加入模块后的四行均值约0.308、0.391，和其汇总一致。于是按已印分项重算，原表宣称的两个平均改善方向都会反转。不能据此断定真实实验一定变差，因为也可能分项抄错；但“该模型该数据集平均改善”的报告目前不可核证。应将这一特定结论暂挂，而不是把所有主结果一并判无效。表标题多处把按预测长度求均值写成跨数据集，也降低了汇总口径透明度。

随机缺失实验覆盖内生、外生、50%和100%、置零与噪声替代，较只报完整数据更有意义。但没有相同掩码的其他模型或专门缺失处理基线，不能证明相对鲁棒性领先。掩码是在归一化前还是后、训练阶段是否同样缺失等细节未充分交代；尤其目标全部掩掉时，是否保留来自完整目标的均值和方差会改变问题定义，当前只能标为未核，而不能直接指控泄漏。表6的NP标注96→96，与正文EPF的168→24不一致，需要区分表头错误和不同设置。ETTh1所有外生信息置零后MSE仍为0.055，也不支持“所有数据都显著恶化”的概括。

解释性图是参数可视化，不是依赖图验证。多变量卷积核按滞后求和可能抵消正负作用，变量间相关及后续线性层也使单层权重不具有唯一归因；与气象常识一致只能提供表面合理性。效率图在ECL、同批量下报告每轮训练时间，有帮助但不是推理延迟。O(T)成立需固定变量数、kernel、隐藏宽度及输出长度，多变量卷积实际还含N平方因子，不能推得高维变量下成本近乎不变。没有端到端调参成本或边缘设备实测。

官方README可读，提供Python版本、依赖、数据入口及两类任务脚本；论文另给Zenodo入口，本次没有核验该存档内容，也没有运行模型。整体上，这是值得纳入强简单基线的经验模块，而不是已证明直接依赖识别的理论方法。值得保留的问题是残差收益能否主要由同表达族的训练参数化解释，以及插件平均改善在纠正表格口径后还剩多少。优先亲读第4页结构与第12—13页等价证明，再交叉看第6、12页原始行和平均值；这是决定如何使用现有结论的证据判断，不向用户布置实验。

24维评分

材料边界

旧完整评语缺失，只先读现有历史记录；未查看本批其他新评。论文结果均为作者报告，本次没有运行代码、训练或推理。资源入口核查与执行复现分开，未核验项不写成已验证。未将arXiv版本与会议终稿混为逐字相同。引用量与会议身份不转为质量分。

ATT-0086 C路独立评审

版本与阅读记录

论文：CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

阅读版本：arXiv 2505.23116v1；首次公开：2025/05/29；本版日期：2025/05/29。发表记录：KDD 2025, DOI 10.1145/3711896.3736899 verified。不将不同版本视为逐字一致。

阅读记录开始：2026-11-08T02:51:14Z；完成与冻结：2026-11-08T02:54:10.868178+00:00。PDF共13页；SHA256：［校验标识已隐藏］。页码均为PDF物理页。先阅读旧条目，旧完整评语未提供；不读取其他新评。未运行实验。

阅读判断与独立详评

CrossLinear 是强调简单变量融合的预测方法论文，也是一项插件式结构研究。对于想在通道独立骨干前加入低成本外生信息的人，建议定向查阅其方法与重参数化讨论；关于恢复直接物理依赖、插件一致改善和近乎零开销的表述则应保留。本轮先读历史摘录，再读二〇二五年五月第一版全部十三页及附录 A 至 E，会议论文集没有另行独立阅读。旧完整评语缺失，历史分数和排序均不沿用。

方法的核心是一层跨变量一维卷积，把目标变量和辅助变量压成一条长度不变的序列，再与目标历史通过可学习标量融合。随后进行分块线性投影，加位置嵌入，用展平后的线性头输出未来。输入明确只有历史外生变量，不涵盖预测期间已知的未来协变量，因此实用范围应按这个信息集理解。多对多扩展通过增加卷积输出通道，再共享后续时间模块完成。该设计简单、容易插入现有通道独立方法，确实具有工程复用价值，原创增量主要是面向特定预测目标的残差融合与轻量结构，而不是新定义了一种统计交叉相关估计量。

关于机制，附录主动证明加权残差形式可以合并为一个卷积核，这一点值得肯定：将目标通道中心位置的单位选择核按权重加入普通卷积核，即可得到相同映射。因此，Sum 优于 Cross Only 可以说明某种参数化、初始化或训练路径更好，却不能说明后者表达不了内外生变量的重要性差异。一个自由卷积本来就可给各输入通道不同权重，并非“平等对待所有变量”。正文的内外生语义解释是可能的直观描述，现有对照没有把它与残差初始化、正则化、优化条件和容量控制区分开。

整个归一化后骨干基本由线性或仿射操作组成，展平线性头已经区分各位置。固定位置嵌入在线性头下可表现为一个加性偏置，因此其消融增益不直接证明学到了新的位置关系。类似地，单层卷积的固定权重只是模型参数时间不变，并不保证从数据中隔离了真实不随时间变化的关系，也不保证排除了间接统计关联。把卷积权重求和后画成热图，并与几个天气常识相符，只能作为定性解释线索；权重受归一化、相关输入和后续投影共同影响，不能独立等同于相关系数或物理直接依赖。

预测结果的覆盖值得肯定：七个常用长期数据和五个电价子集，同时报告多对一、多对多两种任务，并包含直接相关的 TimeXer 和 TiDE。多对一在 ECL、Traffic 等数据取得竞争力，多对多在 ETTm1 的优势也较明确。不过，主表许多差距很小，例如 ECL 多对一平均 MSE 为零点三二三对 TimeXer 的零点三二七；没有重复次数、种子、方差或区间，无法确认微小差距稳定。多对多 Traffic 的零点四八三明显不如 iTransformer 的零点四二八，ECL 和 ETTh2 的平均也没有领先 TimeXer，因此结论应限定为若干数据上的良好效果，而非普遍最优。

插件实验比只展示自有骨干更有说服力，五种结构中很多平均误差下降，RLinear 在 Traffic 的收益尤其明显。然而，历史所提局部退化已独立核实：Traffic 九十六步 DLinear 的 MSE 从零点二六八变为零点三三八，ECL 的 DLinear 平均 MAE 也变差。进一步逐行核算发现更重要的汇总错误：表十一 Traffic 的 DLinear 原始四个 MSE 为零点二六八、零点三零二、零点二九八、零点三四零，算术均值应为零点三零二，而不是表中的零点三二三；原 MAE 四行均值为零点三八四五，而非零点四零四。加插件后四行均值分别为零点三零八和零点三九一二五，意味着按逐行数字两个平均指标都退化，并非汇总表呈现的改善。

这项核算已对 PDF 图像复核，差异大于四舍五入能解释的范围。现阶段无法确定原始分行还是汇总数哪一个抄错，因此不替作者擅改真实实验结果；正确处理是暂停使用该组汇总改善作为证据。它也不否定 RLinear、SparseTSF 等其他组合已经展示的收益。ECL 的 DLinear 最长跨度 MAE 在主表与插件表还有零点四八七和零点四八一的差异，进一步说明汇总与分行记录的一致性需要谨慎对待。

消融包含目标单独输入、卷积单独输入、拼接、加权和、位置嵌入，以及输入长度、核大小、隐藏宽度等敏感性。Endo Only 提供了有价值的“外生变量是否帮助”对照，但 ETTh1 的变化几乎可以忽略，说明并非所有任务都需要这些变量。拼接与加权和改变表示维度，仍混入复杂度因素；初始化分析比直接宣称语义隔离更贴近已有证据。缺失值测试覆盖目标或外生变量的随机遮挡与两种填充值，但没有与其他模型并行对照，也没有说明遮挡是在实例归一化之前还是之后。尤其目标全部遮挡时，若仍保留原目标历史的均值和尺度，便不能说全部历史信息都缺失；这里仅指出协议未交代，不能据此认定实际泄漏。

数据与公平性方面，分割样本数、硬件、优化器、轮数和搜索范围都有提供。Weather 特殊异常值问题也被主动披露，维持已有协议是可以理解的，但不能把这种数值尺度下的微小误差直接推广成一般天气预测优势。多对一目标变量的具体选择没有为各数据清楚列出，目标选择是否具有代表性仍未知。统一十轮训练和遵循各官方配置，并不等于各基线充分收敛或获得相同调参预算。传统外生回归、简单多变量线性基线及电价领域的 NBEATSx 未进入比较，限制了“简单卷积为何必要”的结论强度。

效率图在同批量 ECL 上显示较好的训练时间与误差折中，但没有插件加入前后完整的增量成本，也没有推理、显存和总调参开销。文中按历史长度写线性复杂度，在变量数、核宽、隐藏维度和预测长度固定时可以成立；却不能忽略多对多卷积核明确具有 N乘N乘三的规模。变量数增加时该部分有平方级参数与计算因素，不能从一维长度的复杂度直接推出任意高维任务几乎免费。资源入口同时提供 GitHub 与 Zenodo DOI，对版本保存有帮助，但本次未下载运行或验证归档内容。

可带走的洞见是，将目标历史作为强残差基线，再让辅助变量提供可学习修正，是简洁且可组合的设计。真正待解释的是这种重参数化为何在有限训练预算下更有效，以及在哪些变量关系、目标选择和缺失机制下会失效。建议优先阅读第四页方法与第十一至十三页重参数化和完整插件表，避免只看汇总胜率。当前用户目标与资源未知，个人适配四维不评分。

24维评分

冻结说明

保留24维原始分数，不编造个人F组分数，不输出无依据总排名。前作全文补查有限，原创性暂定。完整旧评缺失，历史摘录只作待核线索，不算独立评审票。冻结后若材料变化，另立修订而不覆盖本记录。

ATT-0086 独立评审 D

论文：CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

版本：arXiv 2505.23116v1；版本日期 2025/05/29。首次公开 2025/05/29。评审 2026-11-08。

冻结时间（UTC）：2026-11-08T02:59:05.628285+00:00

阅读记录：2026-11-08 UTC：先读历史条目与身份，再逐页阅读全文物理页1—13，包括p10参考文献和p11—13全部附录；逐表核查核心主张、退化结果和重参数化推导，视觉检查p4、8、9、13的公式、遮挡表、热图与示例。大表未逐单元重算。

旧评边界：只收到历史摘要/行记录，旧完整评语缺失，不作为新评票；未读其他新评。

核心主张

- 用残差跨通道卷积构建轻量历史协变量融合，再接分块线性预测头。

- 多对一与多对多十二数据集比较，并在五骨干中测试可插拔性。

- 作者证明Sum与Cross Only可作卷积重参数化，收益需按优化和归纳偏置解释。

详细评审

CrossLinear面对的是一个有实际意义的设定：只预测目标序列，但允许使用其他变量的历史，避免让多变量模型同时承担不需要的预测任务。它用一个跨变量的一维卷积生成单条嵌入，再与目标序列作残差加权，接分块线性投影和全局预测头。设计简洁，提供了比复杂注意力更低容量的变量融合方案。本文最可信的贡献是这种轻量参数化在多组公开任务中的工程效果与可插拔性，而不是发现新的互相关统计量。卷积权重由预测损失学习，模型没有显式计算或约束统计意义的交叉相关函数；时间不变来自共享权重的结构约束。“只保留直接依赖、排除间接依赖”也只应理解为网络连接形式，不能当作数据因果关系已经识别。

关键的概念边界在作者自己的附录证明里。第十一至十三页把加权残差Sum改写为新的卷积核，说明其与Cross Only有相同的线性表达能力。这一说明是优点，不是论文隐瞒的漏洞；但也意味着表四Sum优于Cross Only不能证明它引入了独有的相关信息。初始化、残差偏置、隐式正则化和优化路径都可能解释差异。第九页确实讨论初始化靠近一的优势，因此更稳妥的结论是该参数化有利于优化。当前没有匹配有效初始卷积核和正则项的对照证据，机制归因应保留。位置嵌入接在线性投影与展平线性头之间，在固定长度下其输入无关贡献可被写成一个输出偏置；它改善结果并不自动证明模型新获得了顺序感知能力，展平头本来就区分位置。

主实验较为扎实地覆盖了十二个数据集、长短预测及多对一和多对多两种任务，TimeXer是直接相关且有竞争力的对手，此外包含TiDE、iTransformer、SparseTSF等。多对一ECL平均MSE为零点三二三，相比TimeXer零点三二七略好；Traffic为零点一五二对零点一五六。如此小的差距在没有重复运行统计时不能写成稳定胜出。较长跨度也有明确失败，例如ECL七百二十步零点四零三不及TimeXer零点三六五。多对多Traffic平均MSE零点四八三，明显落后iTransformer零点四二八，说明把每个变量都视为目标后，简单共享预测器并不总占优。电价任务多对一平均MSE优于TimeXer，而MAE零点二六六略差于零点二六五，必须保留指标差异。

公平性方面，论文明确数据划分、固定历史长度、预测跨度与十轮训练，附录还给学习率、批量和卷积设置，并说明基线遵循原论文或官方配置。统一十轮使预算较清楚，但不同模型收敛速度不同，不能保证各架构都到达可比的最优训练状态。学习率和批量区间之外，选择规则、每个基线实际搜索次数及全部最终配置仍不充分。作为外生预测论文，ARIMAX、正则化线性滞后回归和文中引用的NBEATSx没有进入主比较，因而尚不清楚它相对传统外生建模强基线的增量。数据中的其他测量通道在此是预测协变量，不等同于经过统计外生性验证的变量；公式只使用历史值，也不应推断论文测试了未来已知协变量的价值。

消融与插件实验是值得保留的证据。Endo Only、Cross Only、Concat、位置嵌入和超参数曲线覆盖核心组件；把模块插入五种模型进一步展示可复用性。不过不是逐项都改善：附录第十二页Traffic九十六步DLinear的MSE从零点二六八增至零点三三八，ECL的DLinear平均MAE由零点四五七增至零点四六三，个别PatchTST任务也退化。正文部分措辞先说每次加入都有改善，随后又改为大多数改善，前者应收窄。权重热图与若干气象关系看起来相符，只是定性一致性，不能排除共线性、尺度变换或重新参数化造成的等价权重；三点核求和还会抹掉不同滞后位置的符号抵消。因此“物理依赖恢复”仍未获得独立真值或干预证据。

缺失值部分比完全不测鲁棒性更好，但不能直接认定优于其他模型。实验只列本模型在随机置零或随机数替换下的误差，没有同样破坏条件的强基线；连续缺失块、非随机缺失和错误协变量都不在当前覆盖内。尤其当目标历史全部缺失时，RevIN的均值方差如何计算、遮挡发生于归一化之前还是之后、训练和测试是否都遮挡，这些步骤没有完整交代。它们会影响是否仍保留原目标历史统计信息，当前只能标为未知而非指控泄漏。表六将NP也标成九十六到九十六，而正文电价设置是一百六十八到二十四，具体协议尚需区分。

资源结论也应限定范围。固定通道数、预测长度和宽度时，随输入长度线性增长是合理的；但多对多卷积权重形状明确是变量数乘变量数乘三，对通道数不是线性。全局头还随输出长度和嵌入宽度增长，不能由一个关于历史长度的大O符号推出“近乎零成本”或任意高维可扩展。ECL同批量每步训练图显示良好精度速度折中，但没有完整显存、端到端耗时和多硬件测量。代码同时给GitHub和Zenodo归档入口，提高可获得性；本次未打开运行仓库或核验归档一致性，未执行训练、推理和复现。综合来看，这是有用的轻量外生融合基线，主表与插件实验支持继续研究它，但新颖性、因果式依赖解释、稳定领先与通用部署叙述都需要保持克制。

24维评分

量表0—100，5分步长；暂定范围不是统计置信区间。F组个人背景不足，保留未知。未设置总分。

缺失与限制

- 旧完整评语缺失，仅有历史行记录，未作新评票。
- 全文未给随机种子、重复次数、方差和置信区间。
- 缺失值遮挡与RevIN统计量计算顺序不清，NP表头与主体协议存在歧义。
- 没有执行训练、推理、代码测试或复现；GitHub/Zenodo一致性未核验。
- F组个人背景和决策需求未知。

详评正文汉字数：1651。未执行代码、训练、推理或复现。

ATT-0086 独立评审 E

论文：CrossLinear: Plug-and-Play Cross-Correlation Embedding for Time Series Forecasting with Exogenous Variables

评判版本：arXiv 2505.23116v1；版本日期 2025/05/29；首次公开 2025/05/29。阅读完成时间（UTC）：2026-11-08T02:58:13.283704+00:00。全文 13 页，页码均指此PDF物理页。

旧记录已先读；完整旧评语及sidecar缺失，不计作新评，不继承分数。未读取其他新评。本文未运行实验或论文代码，未验证仓库可执行性。

核心判断与全文评议

CrossLinear关注一个重要而具体的问题：许多任务只预测一个目标变量，但希望利用其他变量的历史，而不必同时预测所有辅助变量。它把所有标准化变量通过一层时间卷积压缩为目标的辅助表示，再与目标自身做可学习残差加权，后接patch线性投影和全局线性预测头。最值得借鉴的是给复杂交互建模提供一个低成本、目标优先的替代基线，而不是卷积本身或新的相关性统计量。

我先读了历史记录，旧完整评语和评分sidecar均未提供，只保留摘要作为待核线索。随后独立阅读本地arXiv:2505.23116v1全部13页，包括附录A—E、所有结果表和等价性证明；关键插件表另核原PDF并做算术核验。KDD及DOI状态来自身份记录，不推定会议出版物已被另行读取。本次没有运行代码、推理或训练，没有读取其他新评，也不使用旧总分。

方法合理之处在于对预测目标建立显式保留路径，并限制变量交互为时不变的一层滤波，避免让高容量模型在有限数据上拟合复杂关联。式1也清楚限定仅使用历史辅助变量，不依赖未来协变量已知，因此不应与利用未来天气预报或排班信息的方法混为一谈。然而这些基准中的“外生”通常只是其他观测通道，不等于经济计量意义上的严格外生。卷积是线性混合器，单层结构不会自动区分真实直接关联、间接关联或共同原因。

附录B给出的重参数化是重要优点：将恒等选择核S加进卷积核，K′=(1−α)K+αS，即可把残差Sum形式变为Cross Only。核心等价性在适当处理偏置与padding时成立。这也意味着消融的性能差不能解释为Sum获得了另一种表达能力，更不能因为Cross Only没有显式残差就说它被迫对所有变量“同等重视”；卷积系数本来就可以分别学习。差异更可能涉及初始化、优化路径、权重衰减和参数尺度，作者自己的α初始化曲线支持这种可能，但没有将竞争解释隔离。

类似地，除输入依赖的RevIN外，文中骨干由卷积、线性投影、拼接和固定可学习位置向量组成。固定位置向量通过线性头后可并入输出偏置，patch和全局头主要改变线性映射的参数化与约束，而非单独证明恢复了新的长期依赖机制。这不是说多层线性参数化无用，而是阅读时应把统计约束、训练便利和函数表达能力区分。权重热图与少数气象常识相符，也不构成物理依赖被识别的独立验证，因为后续投影、归一化和相关输入都会影响权重解释。

经验覆盖比较广。七个长时数据集和五个电价子集同时做多对一、多对多，长时固定输入96，短时168到24，包含TimeXer、iTransformer、MSGNet、SparseTSF和简单线性等十种基线。多对一中ECL平均MSE为0.323对TimeXer的0.327，Traffic为0.152对0.156，表明小模型有竞争力；不过没有重复次数、种子或置信区间，不能证明这些小差异稳定显著。ECL720和多对多Traffic等结果也并不领先，说明目标压缩在复杂多变量任务上有边界。

对照设置仍有实质限制。作者调学习率、批量、α与β，却主要说明基线遵循原配置，未给各模型等预算搜索过程。只有十个训练epoch可能对不同结构的收敛产生不同影响。实验没有纳入本文在相关工作中讨论的ARIMAX、强正则化分布滞后回归及电价领域专用NBEATSx，因此“外生预测的最佳简单建模方式”尚未被充分检验。具体选择哪条ECL、Traffic或Weather通道作为目标也未在正文和附录清楚列出，依赖前作协议才能重建多对一设定。

消融支持目标保留路径通常有益，并补充位置嵌入、输入长度、patch、卷积核和隐藏宽度的敏感性，完整表揭示部分例外，这是可用之处。局限是没有等函数初始化和等参数控制，也没有系统构造时变关联、间接关联、冗余变量或不同滞后的数据来检验宣称的机制。随机缺失试验仅展示本模型，没有与基线在相同缺失条件下对比；还需明确mask在RevIN统计量计算之前还是之后。若声称全部目标历史缺失，原始均值方差是否仍可使用会直接改变任务难度，本文未交代，不能因此直接断言泄漏。

插件结果存在一个超出旧摘要的重要汇总错误。表11中Traffic原DLinear四个MSE为0.268、0.302、0.298、0.340，简单平均是0.302，却印成0.323；四个MAE平均为0.3845，却印成0.404。插件后的平均MSE0.308和MAE0.39125都更差，而正文表5沿用错误基数呈现为提升。因此这里不仅是单个96步退化，而是按明细重算后的整组方向反转。ECL的DLinear平均MAE从0.457升至0.463也明确不支持“各指标一致改善”。这些是局部数据报告错误，不足以否定其他模型确有收益，但必须校正后再引用总体插件结论。

复现材料有明确GitHub入口与Zenodo持久存档，附录给4090设备、Adam、学习率范围、批量范围、十epoch、卷积核和步长，透明度中等。仍缺逐数据集最终配置、种子、模型选择准则和缺失测试细节。表6把NP标成96到96，却采用与短时168到24主表一致的未mask数值，存在协议标注冲突。Weather保留异常值导致归一化误差较小一事作者主动披露，但应谨慎解读其漂亮绝对误差。

资源结论也需要限定。固定通道数、输出长度和隐藏宽度时，相对输入长度T线性增长是合理的；但多对多卷积权重明确为N×N×3，对变量数呈平方增长，Traffic的862通道仅此层约223万权重。不能把只对T写O(T)理解成任意变量规模都近乎免费。效率图在同批量下展示ECL单设置每迭代耗时，是实证优点，却没有覆盖全部数据、预测长度、推理显存和插件新增成本。

总体建议定向阅读其目标残差卷积插件及参数化等价性，把它当作便于理解的强简单基线。最有启发的研究问题是为何某种初始化和约束能使等价线性模型泛化更好，以及什么变量结构值得保留。暂不接受直接物理关系已识别、所有插件设置都提高、或多对多任意规模都几乎零成本等外推；主表小幅领先的可靠程度仍取决于未报告的不确定性。

完整24维评分

风险记录

- R01 重要，已确认算术错误：Traffic原DLinear MSE平均应0.302而非0.323，MAE应0.3845而非0.404；插件后0.308/0.39125更差，汇总改善方向反转。（PDF8表5、12表11（原页视觉复核））。
- R02 重要，已确认解释边界：Sum可并入卷积核，消融不能证明新增表达力或识别直接依赖；未控制初始化、正则化和训练动态。（PDF4、7、9、11—13）。
- R03 重要，材料未报告：缺重复种子与不确定性，目标通道、缺失mask与RevIN顺序不足；NP窗口表注与主实验配置不一致。（PDF5—8、11—12）。
- R04 重要，已确认条件限制：O(T)只固定其他维度，多对多卷积N×N×3；不能外推为随变量数也近乎免费。（PDF4、9）。

汇总与阅读建议

定向查阅目标优先卷积插件及重参数化；校正插件汇总后再引用总体收益。已评分20/24维，F1—F4未知；无总分、无强制排序。重点位置：3—4页方法；6—8页主表与缺失；9页效率及相关性解释；11—13页消融、重参数化与插件明细。

结构化数据见同目录 review.json。