提出了一种基于 ego-graphs 的 Gophormer 模型，将 transformer 应用于节点分类任务，通过邻域采样缓解了规模问题，并采用 proximity-enhanced attention 机制捕捉节点间的结构偏差，通过一致性规则和多样本推理策略稳定训练和测试。Gophormer 在六个基准数据集上的实验表明了其超越了现有的图转换器和热门的 GNN，并揭示了图转换器的未来发展前景。

Oct, 2021

本文介绍了一种用于检测变点和识别瞬态多变量时间序列数据中相应子序列的算法，该算法使用基于递归神经网络 (RNN) 的自编码器 (AE)，通过重构误差和潜在空间信息来建立子序列模型，提出一种基于曲率的相似性度量进行更直观的时间序列子序列聚类，通过与其他七种算法的对比实验表明，我们的算法可以更好地在线及离线聚类多变量时间序列数据。

Sep, 2022

本文提出了用超图的 ego 网络结构建模高阶单节点交互，并提出了超图 ego 网络的时间重构作为预测超图局部时空结构的模型的基准问题。研究者们将深度学习二元分类器与爬山算法相结合，以跨多种领域找到的结构模式为基础，提出了重构超图 ego 网络的模型。

Dec, 2021

本研究提出了新的 Ego-GNN 方法，通过增加在每个节点周围子图中定义的信息来扩展 GNN 的消息传递操作，并证明了 Ego-GNN 比标准消息传递 GNN 更强大，能够识别封闭三角形，从而在绝大多数现实世界的图中更有效地进行节点分类。

Jul, 2021

学习用户行为序列的表示对于各种在线服务至关重要，本文介绍了一种名为 ECSeq 的新型统一框架，该框架利用图压缩技术来改善用户序列表示学习的效率问题，并在序列分类和回归任务中展示了 ECSeq 的有效性。

Jun, 2024

提出了一种名为 Seq-HyGAN 的超图注意力网络模型用于解决序列分类的挑战，并使用两级注意机制生成序列表示为超边，同时学习每个序列的关键子序列。实验结果表明，Seq-HyGAN 模型可以有效地分类序列数据并显着优于基线。

Mar, 2023

本研究提出了一种基于无监督学习的方法，“Series2Graph”，用于领域无关的子序列异常检测，无需标记实例或无异常数据，能够识别长度各异的异常，在 VLDB 2020 上发表。

Jul, 2022

研究了 EEG 分类模型与通用时间序列分类模型之间的差异，并通过将时间序列模型与主题嵌入结合，实现了在所有受试者上训练一个联合主题条件分类器，其性能在三个数据集中与专用 EEG 模型相竞争。

Apr, 2024

本文提出使用基于 Transformer 的模型处理心电图以进行情感识别，利用 Transformer 的注意机制为信号构建上下文化表示，并通过全连接网络对这些表示进行处理，以预测情感，同时利用自监督学习来克服情感标签数据集相对较小的限制，实现了对 AMIGOS 数据集上心电图情感识别的最新性能，并且表明了 Transformer 和预训练是应用于生理信号情感识别的有前途的策略。

Apr, 2022

提出了一种基于多尺度卷积神经网络的时间序列分类模型，该模型将特征提取和分类集成在一个框架中，具有较高的准确性和计算效率，并在大量基准数据集上进行了全面的实证评估，取得了优于其他先进方法的性能。

Mar, 2016