提出了一种 Time-Frequency Enhanced Decomposed Network (TFDNet) 方法，用于从时频域捕捉长期潜在模式和时间周期性，通过多尺度的时频增强编码器支撑和两个独立的趋势和季节时频块来捕捉多分辨率中分解的趋势和季节成分的不同模式，实验证明 TFDNet 在效果和效率上优于现有方法。

Aug, 2023

本文提出了 MultiWave 框架，采用小波分解对多变量时间序列数据进行频率分组，并结合门控机制来提高各种深度学习模型的性能。多个实验表明，MultiWave 可以准确地识别信息丰富的频率带，提高模型性能，并提供有价值的应用见解。

Jun, 2023

本文提出了一种基于小波和神经网络的多级小波分解网络（mWDN），用于构建能 “感知” 时间序列频率的深度学习模型，并基于此模型提出了两个深度学习模型以应用于时间序列分类和预测，并在 40 个常用的 UCR 数据集和真实用户量数据集上进行了广泛实验验证，同时还提出了一种解释深度学习的方法。

Jun, 2018

提出一种双流卷积神经网络框架，其中一流在频域中适应四个可学习频率滤波器来学习特征，另一流利用 RGB 图像来补充频域特征，通过分层注意力模块进行信息融合，提升面部呈现攻击检测方法的泛化能力。

Sep, 2021

本研究提出了一种基于深度学习的新颖转移架构 SeDAN，通过从跨域数据集中对可转移的知识进行对齐来提高目标领域的预测性能，采用隐式对比分解来对原始特征进行分解，并针对不同域的分解特征设计相应的适应性方法，实验表明 SeDAN 可以提供更高效，更稳定的知识传递，可应用于多元时间序列预测。

Jun, 2023

我们从频域角度提出了 Dual-Path Frequency Discriminators (DFD) 网络，用于解决少样本异常检测中的问题，并通过鉴别分类模块在特征空间中检测和定位图像级别和特征级别的异常，实验证明我们的方法超过了现有的最先进方法。

Mar, 2024

基于多模态分离轨迹（MMDT）的文档演示攻击检测（DPAD）方法可消除现有方法的一些限制，通过对重新捕获的轨迹进行分离和融合，提高文档图像的泛化能力，并在三个基准数据集的实验中展示出其出色的法医痕迹表示能力。

Apr, 2024

本文提出了一种新颖的深度学习网络结构 MPPN，用于长期时间序列预测，该结构采用多分辨率语义单元、多周期模式挖掘和通道自适应模块来捕捉时间序列的本质模式，并提出了基于熵的评估方法来提高预测精度。在九个真实世界基准测试中，实验结果表明，MPPN 显著优于现有的基于 Transformer、分解和采样的长期时间序列预测方法。

Jun, 2023

提出了一种名为 MSD-Mixer 的多尺度分解 MLP-Mixer 模型，该模型通过学习将时间序列分解成不同的组成部分，并在不同层级上表示这些组成部分，以处理多尺度时间模式和通道间的依赖关系。通过在各种实际数据集上进行广泛实验，包括长期和短期预测、插补、异常检测和分类等五个常见时间序列分析任务，证明了 MSD-Mixer 在性能上明显优于其他最先进的任务通用和任务特定方法。

Oct, 2023

本文提出了一种基于时间 - 频率分析的时序异常检测模型，TFAD，能够利用时间和频率域中的信息来提高性能，并在设计的时频架构中加入了时序分解和数据增强机制，以进一步提高性能和可解释性。经实证研究表明，该方法在单变量和多变量时序异常检测任务中取得了最先进的性能表现。

Oct, 2022