该论文从信息论的角度研究深度学习模型在时间序列数据上的解释问题，并介绍了一种新颖的时间序列可解释学习框架 TimeX++，通过实验结果证明其在解释质量方面的显著改进。

May, 2024

在这篇论文中，我们介绍了一种将复杂系统映射到简化表示空间，并模拟时间大跳变化的推理过程。我们提出了基于信息理论的时间滞后信息瓶颈（T-IB）目标，旨在捕捉相关的时间特征，简化仿真任务并最小化推理错误。实验结果表明，T-IB 学习了信息最优的表示，能够准确地建模原始过程在选择的时间滞后下的统计属性和动力学，胜过现有的时间滞后降维方法。

Sep, 2023

通过多层小波分解和正反向残差结构，WEITS 将频率分析引入高度深度学习框架，拥有较强的表示能力和统计解释能力，实验证明其在时间序列预测方面具有竞争力的性能和高计算效率的额外优势。

May, 2024

我们提出了一个旨在解决 TimeSieve 中不可靠性问题的框架，旨在提高模型的稳定性和可靠性，确保输出对上述因素的影响较小。实验证实了我们提出的框架的有效性，展示了模型行为的改进。我们计划扩大实验范围，进一步验证和优化我们的算法，以确保在各种场景下的全面可靠性，从而增强不仅 TimeSieve 而且其他最先进的时间方法的可靠性和稳健性。

May, 2024

该研究综合了小波分析技术与机器学习方法，针对单变量时间序列预测提出了三个主要贡献：考虑使用带有不同消失矩的 Daubechies 小波作为非时态和时态预测方法的输入特征；比较非分解小波变换和非分解小波包变换在计算这些特征时的使用情况；在更广泛的预测方法上评估这些小波特征的应用，包括时态和非时态模型以及统计学和基于深度学习的方法，结果表明在一步向前预测的所有非时态方法中，用小波特征替换高阶滞后特征具有显著的益处，在长期预测的时态深度学习模型中，将小波特征用作输入则存在一定的效益。

Mar, 2024

时间序列预测是许多实际应用中的重要任务，但大部分时间序列预测技术都假设训练数据是没有异常值的。然而，在实践中，由于采集到的时间序列数据可能受到污染，这个假设是不现实的。因此，有必要开发方法从受到污染的数据中自动学习出一个鲁棒的预测模型。本文首先从统计视角定义了三种异常值，然后在这些异常值存在时进行了理论和实验分析损失稳健性和样本稳健性。基于我们的分析，我们提出了一种简单高效的算法来学习鲁棒的预测模型。大量实验证明我们的方法具有很高的稳健性，并且优于现有的所有方法。

Feb, 2024

基于异构元数据的时序生成，Time Weaver 模型通过利用分类、连续和时变变量显著提高时序生成，并创新性地提出了适用于时序领域的评估指标，证明在真实世界的能源、医疗、空气质量和交通数据集上，在下游分类任务中性能优于生成对抗网络（GANs）。

Mar, 2024

本文提出了一种基于超网络的框架，称为超时间序列预测（HTSF），它在分布漂移下可以实现准确的时间序列预测，并通过实验验证在 9 个基准测试中达到了最先进的性能。

Feb, 2022

研究提出了一种基于信息论特征的高度通用的方法，用于识别和学习多变量时间序列数据中的模式和趋势。通过在人类活动数据中分析模式变化，结果表明该方法可以提高召回率、F1 分数和准确性，在平均基线模型和更简单的模型结构下，平均减少 18.75 倍的模型参数数量。

Feb, 2023

该论文提出了一种名为 TimeTuner 的新型可视化分析框架，用于帮助分析人员理解模型行为与时间序列表示的局部相关性、稳定性和粒度之间的关联，并通过反事实解释、多种协调视图和交互方式来改进自动特征学习的限制，展示了其在实际时间序列预测中的适用性。

Jul, 2023