FATS: 时间序列特征分析
通过在复频域内插值，FITS 模型丢弃对时间序列数据影响微乎其微的高频成分，从而实现与时序预测和异常检测任务中最先进模型相当的性能，且仅具约 10k 参数的轻量级，可以轻松训练和部署在边缘设备。
Jul, 2023
为确保高质量、公正、透明和可靠的预测系统，我们开发了一个开源的 Python 工具箱，名为 FAT Forensics，它可以自动检验预测算法的公平性、问责性和透明度等方面，并将结果客观地报告给此类系统的工程师和用户。
Sep, 2022
本文介绍了 Autofeat Python 库，该库能为 Scikit-Learn 风格的线性回归和分类模型提供自动特征工程和选择功能。通过多阶段的特征工程和选择过程，它可以生成一个非线性特征池，从中选择出一组有意义的特征来提高线性模型的预测准确率，同时保持其可解释性。
Jan, 2019
该研究介绍了 R 包 ctsfeatures 的主要特点和使用方法，该包为分析分类时间序列提供了一组有用的工具，包括提取统计特征和构建描述潜在时间模式的图形等，并可用于机器学习任务，如聚类、分类和异常检测。
Apr, 2023
本文介绍了 SATfeatPy 这个 Python 库，该库可以对 CNF 格式的 SAT 问题进行特征提取，实现了该领域主要论文中所有的结构和统计特征，并使用该库从 3000 个 SAT 和 UNSAT 实例生成的五组特征对十种不同类型的问题进行了高准确度的 SAT/UNSAT 和问题类别分类。最后，在去除一些特征后，比较特征的实用性和对于预测 SAT 实例的原始结构的重要性。
Apr, 2022
本研究介绍了 TSFEDL 库，该库编译了 20 种时序特征提取和预测的先进方法，利用卷积神经网络和循环神经网络用于数据挖掘任务，结果表明该 Python 库有很高的实用价值。
Jun, 2022
一种高度比较，基于特征的时间序列分类方法，利用广泛的算法数据库从时间序列中提取数千个可解释的特征，并采用贪心前向特征选择与线性分类器选择最具信息的特征进行分类，实现了对时序列的降维并超越了传统的基于实例的分类器。
Jan, 2014
通过系统比较卓越时间序列特征库中的时间序列的适当特征化表示形式，可以捕捉时间序列的动态特性，为时间序列应用程序提供高效的聚类和分类能力。我们通过减少时间序列特征的数量，从和特性库中的原始数量的 4791 种特征中提取出一个名为 catch22 的定义良好、准确有效并不冗余的时间序列特征集，这个集合只包含有 22 个时间序列特征。这种降维数据的方法可以在保持准确性的情况下大大减轻计算负担，并通过让科学、工业、金融和医学应用程序可以使用一种可解释性的时间序列特征语言，从而促进其应用。
Jan, 2019