发表机构
Seoul National University（首尔大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对概率时间序列基础模型仅提供边际分布而缺乏联合分布的问题，提出无训练耦合边际分布以构造多元样本路径，实验表明耦合能显著改善依赖诊断，支持将依赖重建作为独立后处理问题。
AI 中文摘要
概率时间序列基础模型（TSFMs）提供逐坐标的预测分布，但这些边际分布并不能确定多元未来轨迹上的联合分布。我们研究了将冻结的TSFM边际分布无训练地耦合为多元预测样本路径的方法。我们的主要评估固定了每个通道-时间水平坐标上的经验边际样本多重集，从而隔离了耦合本身的影响。历史时间和通道关系显著改善了相应的依赖诊断指标。当移除固定边际约束并直接采样路径时，同样的模式依然存在，并且在原生多元骨干网络推理下也仍然存在。这些结果支持将依赖重建视为概率TSFM的一个独立后处理问题。
英文摘要
Probabilistic time series foundation models (TSFMs) provide coordinate-wise predictive distributions, but these marginals do not determine a joint distribution over multivariate future trajectories. We study training-free coupling of frozen TSFM marginals into multivariate forecast sample paths. Our primary evaluation fixes the empirical marginal sample multiset at every channel--horizon coordinate across methods, isolating the effect of coupling alone. Historical temporal and channel relations substantially improve their corresponding dependence diagnostics. The same pattern persists when the fixed-marginal constraint is removed and paths are sampled directly, and remains present under native multivariate backbone inference. These results support treating dependence reconstruction as a distinct post-processing problem for probabilistic TSFMs.
