通过学习掩码和相关扰动，来解释基于多元时间序列数据的预测，显著提高了对时间序列数据的解释质量。
May, 2023
CGS-Mask 是一个后期处理的、与模型无关的基于细胞遗传剥离蒙版的重要性评估方法，通过将连续的时间步骤作为一个整体来评估特征对最终预测结果的影响，提供时间上的二进制和持续的特征重要性评分。CGS-Mask 在合成数据集和实际数据集上进行了评估，表明其在阐明特征重要性方面优于最先进的方法。根据我们通过问卷调查的初步用户研究，CGS-Mask 是呈现易于理解的时间序列预测结果最有效的方法，使用户能够轻松理解人工智能模型的决策过程。
Dec, 2023
该论文介绍了一种基于遮罩方法的频率和时频域解释方法 FreqRISE，它能够在多个任务中展现最佳性能，并主张时间序列的显著信息更可能局部化于频率域。
Jun, 2024
基于动态令牌变形的掩码图像建模（DTM）是一种有前景的自监督学习方法，可应用于不同的 SSL 框架，在不引入额外的训练成本的情况下有效改进表现，并经过多个实验证明其在各种下游任务上的可迁移性。
本篇论文提出了一种改进的 Prompt-based fine-tuning 方法，名为 DynaMaR，它通过动态 Prompt 和 Mask Token 表征来解决过度拟合和人工规划任务的问题，并在四个电子商务应用中实现了平均 10% 的 few-shot 设置和 3.7% 的数据丰富设置的性能提高。
Jun, 2022
本研究探讨不同的遮蔽策略对时间序列插补模型的影响，评估了预遮蔽与 mini-batch 中的遮蔽、标准化时机以及增强人工缺失和叠加人工缺失之间的选择对插补准确性的影响。使用三个不同的数据集，我们对 11 个插补模型进行了基准测试，其中包含不同的缺失率。我们的结果表明，遮蔽策略显著影响插补准确性，揭示了更复杂和数据驱动的遮蔽设计对于稳健的模型评估至关重要。我们倡导改进的实验设计和全面披露，以更好地模拟现实世界的模式，增强插补模型的实际适用性。
May, 2024
本研究提出一种实例分割方法 DynMask，采用自适应特征聚合的双层特征金字塔网络和可切换的掩模模块，以实现在维持高分割精度的同时高效地处理大量对象提议，并在计算效率和分割精度方面显著优于其他现有方法。
Mar, 2023
为了使卷积神经网络更易于解释，我们提出了一种被称为层遮蔽的遮蔽技术，可以模拟仅对未遮蔽的输入运行 CNN 的效果，并发现该方法能够消除 CNN 与变压器之间的可解释性差距，甚至在许多情况下使 CNN 更易于解释。
Nov, 2022
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
基于自监督表征学习策略的遮蔽时间序列建模引起了人们的广泛关注。我们提出使用简单的补丁重构任务和独立嵌入每个补丁的简单补丁级 MLP。此外，我们引入互补的对比学习方法以高效地捕捉相邻时间序列信息。与最先进的基于 Transformer 的模型相比，我们的方法在时间序列预测和分类性能上有所提高，同时在参数数量和训练 / 推理时间上更加高效。