本文提出了一种时间序列分类方法 WEASEL，它使用滑动窗口方法将时间序列转换为特征向量，通过机器学习分类器进行分析。WEASEL 可以在时间序列分类问题中获得比当前最佳方法更高的准确性和更低的计算复杂度。

Jan, 2017

该研究提出了一种名为 MUSE 的基于 Transformer 和多尺度时间传感器单元的知识追踪模型，能够有效地捕捉用户在不同时间范围内的知识状态的动态变化，并提供一种有效而强大的方法来组合本地和全局特征进行预测。该方法在 Riiid AIEd Challenge 2020 中获得了第五名。

Jan, 2021

提出了一种基于模块裁剪和 Pareto 分析的方法，旨在研究模型效率与准确性及其复杂性之间的关系，以设计一种有效的网络架构来减少计算成本，实验结果在基准 MTS 数据集上验证了该方法的有效性。

Mar, 2022

我们提出了一个网络混搭应用服务框架，支持多元时间序列的模型定义、参数学习、模型评估、数据监控、决策推荐和 Web 门户服务，并在一个实验案例中验证了我们的框架、模型和语言。

Oct, 2022

本文介绍了在 MuSe 挑战赛 2022（包括 MuSe-Humor，MuSe-Reaction 和 MuSe-Stress 子挑战赛）中使用 TEMMA 和 GRU 自注意机制框架提取各种多模态特征，并融合这些特征来提高准确性并预测情感，同时进行数据增强和处理处理样本不均衡的问题。我们模型在三个子挑战中均取得了优秀的表现。

Aug, 2022

本文提出了一种统一的通道感知自监督学习框架（CaSS），通过设计一个新的基于 Transformer 的编码器（CaT）来捕捉 MTS 不同时间通道之间的复杂关系，并结合 Next Trend Prediction（NTP）和 Contextual Similarity（CS）两种新颖的预训练任务来实现自监督学习的表示学习，实验结果表明，与以前的自监督 MTS 表示学习方法相比，我们的框架在几个常用的基准数据集上均达到了新的最优成果（LSST 数据集上提高了 7.70％），并可很好地应用于下游 MTS 分类。

Mar, 2022

我们在 MuSe-Personalisation 子挑战赛中提出了一种解决方案，通过使用多模态情感分析来预测参与者的情绪和趣味连续值，并通过提取多样特征的方法建立了稳健的特征表达和模型集成，最终在此挑战中获得第三名的成绩。

Aug, 2023

多元时间序列预测中，深度学习应用发现，单变量模型常常优于多元模型。为解决多元模型的不足，我们引入一种构建辅助时间序列（CATS）的方法，它类似于二维时态上下文注意机制，从原始时间序列（OTS）中生成辅助时间序列（ATS），以有效地表示和整合序列间关系进行预测。ATS 的关键原则 - 连续性、稀疏性和变动性 - 通过不同模块进行了识别和实现。即使使用基本的两层 MLP 作为核心预测器，CATS 也实现了最先进的水平，显著减少了复杂性和参数，相较于以往的多元模型，标志着它是一种高效且可迁移的 MTSF 解决方案。

Mar, 2024

我们提出了一种新颖的多视图方法，将频域和时域特征整合起来，为时间序列分类提供互补的上下文。我们的方法将连续小波变换光谱特征与时间卷积或多层感知器特征融合在一起，并利用 Mamba 状态空间模型进行高效和可扩展的序列建模，同时引入一种新颖的扫描方案来更好地建模序列关系。在 10 个标准基准数据集上的实验证明，我们的方法相对于最先进的时间序列分类模型，平均准确率提高了 6.45%。

Jun, 2024

该论文提出了一种新的基于 Masked Autoencoders (MAE) 的自监督预训练方法称为 MTSMAE，利用补丁嵌入的方法处理多元时间序列，实验证明，该方法的性能显著优于目前最好的方法。

Oct, 2022