arXiv 2026年10月5日该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。RDTU用残差扩散与保留集核预测器生成伪标签，使时间序列预测的遗忘模型最接近精确重训该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。该工作提出RDTU——一个用于时间序列遗忘的残差扩散框架：它先用基于保留集的神经正切核预测器得到与删除兼容的基础预测，再用保留参考数据的体积贡献量化每个受影响窗口的全局与局部结构支持，最后由扩散模型生成残差修正以估计反事实预测，形成伪标签场来指导轻量级模型更新；实验显示RDTU持续产生与精确重训最接近的遗忘模型。