本研究扩展了形态子序列变换方法以处理不规则采样的多元时间序列，并通过连续时间公式学习形态子序列的长度和时间序列之间的相似度，同时保持了高效性和可解释性。

May, 2020

本文提出了一种名为 Ultra-Fast Shapelets 的新方法，使用多个随机形态来替代传统的高开销形态发现方法，能够快速、高质量地应用于长且多元时序分类，并且可成功应用于 15 个数据集上。最后，探究了在形态分类器上使用时间序列导数的可能性，并且证明了其使用对形态分类器具有积极的影响，其集成方法简便，不需要调整形态发现算法。

Mar, 2015

本研究提出了一种半监督时间序列聚类方法（SS-Shapelets），利用少量标记和传播伪标记的时间序列来发现代表性的形状片段，从而提高聚类准确性，并在 UCR 时间序列数据集上进行了验证。

Apr, 2023

本文提出了一种利用基于形状的表示学习在无监督的多变量时间序列领域中的框架，其中采用了流行的对比学习方式来学习时间序列特定的形状特征，并设计了新的多粒度对比和多尺度对齐的学习目标来实现我们的目标，同时采用数据增强库来提高泛化性能。实验结果表明，我们的方法不仅优于 URL 竞争对手，而且优于专门为下游任务设计的技术。

May, 2023

通过无监督对比学习来学习通用形状基于的表示，该方法在时间序列分类、聚类和异常检测等分析任务中表现出优越的性能，并通过 TimeCSL 系统使用户能够通过统一的流程解决不同的分析任务和探索学习到的形状基于的表示来获得对时间序列的洞察。

Apr, 2024

本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在 8 个 UCR/UEA 归档数据集以及 HAR 和 PAM 数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS 分类中具有明显优势，并丰富了它们的可解释性。

Jun, 2023

本文提出了一种模型无关的基于实例的事后解释性方法，用于时间序列分类。该方法利用形状特征和 TimeGAN 为任意时间序列分类器提供对抗性解释。我们通过对 UCR 时间序列存档中的几个真实单变量时间序列分类任务进行验证，结果表明与最先进的方法相比，Time-CF 生成的对抗实例在近似性、可感知性、合理性和稀疏性四个解释性指标方面表现更好。

Feb, 2024

本研究提出了一种为动态网络生成图层嵌入的新方法，包括构建多层图和使用改进的随机游走生成节点的时间上下文，再利用一个深度学习模型生成图层嵌入，并在公开数据集上进行了评估和比较。

Jun, 2023

本文提出了一個新的框架 DArtNet，它利用了動態知識圖中的信息進行時間序列預測，經實驗證明可以提高預測準確率。

Mar, 2020

通过组织 shapelets 并使其在不同时间上竞争来构建多样的特征表示，Castor 算法利用 shapelets 对时间序列进行转换，通过广泛的实证研究证明 Castor 提供了比多个最先进的分类器更准确的转换，并且在广泛的消融研究中，我们检验了选择超参数的影响并提供了准确且高效的默认值。

Mar, 2024