概率多元时序预测
DynG-Diff
同一时刻、不同变量的观测质量并不相同；引导强度也不应该只是一个固定标量。
训练两阶段分离
骨干无条件扩散模型
引导变量级动态矩阵
观测可靠性随状态变化
现有条件扩散方法通常采用任务特定条件或统一引导强度，难以描述变量间显著不同的噪声水平与演化模式。DynG-Diff 将联合分布学习与预测引导拆开：先训练无条件扩散骨干，再训练轻量策略网络。
从一次去噪估计中推断动态权重
策略网络联合当前噪声状态与一步去噪估计，输出变量敏感的动态引导矩阵。论文将该权重解释为观测分布的局部精度，使高置信变量获得更强引导，同时削弱异常观测带来的干扰。
竞争力与鲁棒性，而不是笼统的 SOTA
实验覆盖 ETTh1、Exchange、Weather、Appliance、Solar 与 Traffic 等真实数据集，并在多个预测窗口比较 MSE 与 CRPS。结果显示方法具备有竞争力的概率预测表现，在严重观测噪声下体现出更稳定的鲁棒性。