本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

Jan, 2021

不规则采样的多变量时间序列是各种应用领域中普遍存在的现象，本文提出了一种名为时间参数化卷积神经网络（TPCNN）的新型神经网络架构，特别适用于处理不规则时间序列数据，我们对 TPCNN 进行了插值和分类任务的实验评估并与其他最先进方法进行了比较，结果表明 TPCNN 模型不仅具有竞争性的性能，而且比其他方法更高效。同时，该架构利用可学习的时间函数的组合，提高了网络性能和序列输入的可解释性，在该领域中首次应用卷积操作。

Aug, 2023

使用样条函数将缺失数据插值处理，代替样本点，再利用神经网络进行分类和预测任务，具有高效的计算性能。

Oct, 2022

本文介绍一种基于变分自编码器和生成对抗网络的编码器 - 解码器框架，用于学习不规则采样的时间序列数据，提出了一种连续卷积层用于与现有神经网络体系结构高效对接。实验证明，该模型在不规则多元时间序列分类的结果上可以比最近的 RNN 模型表现得更好，同时具有显著更快的训练速度。

Aug, 2020

本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

Jun, 2023

稀疏深度学习在处理依赖数据方面的预测不确定性量化、顶点估计和模型压缩等领域中已成为一种流行的技术。本文通过研究稀疏深度学习与依赖数据的理论，表明稀疏循环神经网络能够一致地估计，并且在适当假设下，其预测呈渐近正态分布，从而能够正确量化预测的不确定性。数值实验结果显示，稀疏深度学习在时间序列数据的预测不确定性量化方面优于诸如互联置信度等先进方法。此外，我们的研究结果还表明，所提出的方法能够一致地识别时间序列数据的自回归阶数，并在大规模模型压缩方面优于现有方法。该方法在金融、医疗和能源等领域具有重要的实际意义，因为准确的顶点估计和预测不确定性量化都是关注的焦点。

Oct, 2023

通过使用具有三元编码的深度集合神经网络，本文展示了一种成功处理生物过程数据的方法，无需插值或对齐程序，并且适用于任何任务，尤其适用于典型的培养过程中的预测任务。

Dec, 2023

本论文提出了一种使用深度学习模型对不规则采样的连续空间时间过程进行直接学习和预测的方法，并验证了该模型在真实天气数据和星际争霸 II 中的有效性。

May, 2021

为了降低 CNN 计算中的空间冗余，本文提出了一种采样 - 插值方案，并针对离散采样位置的不可微性，采用基于 Gumbel-Softmax 分布的重新参数化技巧，以在计算机视觉任务中大幅节省计算量，同时保持准确性。

Mar, 2020

提出了一种高效的非线性建模方法，通过线性 VAR 过程和分量间非线性映射来生成时间序列，并使用定制算法解决优化问题，提高了 VAR 系数的支持识别和时间序列预测能力。

Sep, 2023