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

本研究提出基于两层时间因素的时序感知形状子序列提取方法，以及形状子序列演化图谱，并将其应用于图嵌入算法中以获得更加准确和解释性的时间序列建模。实验证明，该方法在公共数据集和真实数据集中都取得了较好的效果。

Nov, 2019

提出了一种新颖的 Shapelet Transformer 方法，通过包含具有类特定和通用特征的 Transformer 模块来捕捉多元时间序列的相关性并提高分类性能。对 30 个 UEA MTSC 数据集的实验结果证明，ShapeFormer 在分类准确性方面排名最高。

May, 2024

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

通过最大化得分函数，使用 EM 算法学习各种制度中的线性或非线性因果关系，我们引入了 CASTOR，这是一个专门设计用于学习异构时间序列数据中的因果关系的新框架。

Nov, 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

本文提出了一种新的自动编码器形状子序列 (AUTOSHAPE) 方法，该方法采用了最新的自监督损失指导潜在表示学习，并引入多样性损失来选择统一空间中的区分嵌入，以从时间序列子序列中确定高质量的可变长度形状子序列，并且将自动编码器用于生成高质量的形状子序列用于聚类。 结果表明，AUTOSHAPE 是所有方法中表现最好的。

Aug, 2022

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