本文提出了一种新的深度学习架构，以解决稀疏和不规则采样的多变量时间序列的监督学习问题，该架构基于半参数插值网络，其允许在插值阶段跨多个时间序列维度共享信息，同时预测网络可以使用任何标准的深度学习模型。我们研究了该架构在分类和回归任务中的性能，并表明我们的方法优于一系列基线模型和最近提出的模型。本研究的动机是对在电子健康记录中的生理时间序列数据的分析，这些数据稀疏、不规则采样和多元。

Sep, 2019

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

SplineNets 是一种新颖的卷积神经网络中使用条件的实用方法，可以显著降低 CNN 的运行时复杂度和计算成本，同时保持甚至提高精度。

Oct, 2018

提出 GraphSplineNets 深度学习方法，在物理系统的预测中通过减少深度替代模型的网格大小和迭代步骤数来提高计算效率和准确性，包括研究热方程、阻尼波传播、纳维 - 斯托克斯方程和现实世界中规则和不规则域的海流。

Oct, 2023

介绍了一种基于无限宽的 ReLU 神经网络随机特征内核的 3D 表面重建技术，它能够超越最近的神经网络技术和 Poisson 表面重建方法，提供了一种简单且易于分析的内核公式，并证明其为更高维度的三次样条插值的推广。

Jun, 2020

我们提出了一种新颖的生成模型，用于多变量离散时间序列数据。该算法以神经样条流的构造为灵感，将线性变换和特征变换作为对传统神经网络的无缝替代。这种方法不仅实现了神经网络固有的通用性特性，还引入了模型参数的凸性。

Jul, 2023

该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。

May, 2022

本文提出了用于不规则结构和几何输入的变体卷积神经网络 —— 基于样条的卷积神经网络，其创新之处在于基于 B 样条的卷积算子，使得计算时间不受卷积核大小的影响。作者在图像图形分类、形状对应和图节点分类等任务中验证了该方法的有效性。

Nov, 2017

该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

Jun, 2023

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