提出了Similarity-Aware Time-Series Classification (SimTSC)框架，使用图神经网络建模时间序列的相似度信息，并结合深度学习模型实现时序分类。使用ResNet作为主干网络和Dynamic Time Warping作为相似度度量，在多个数据集上进行了广泛的实验，证明了该方法的有效性。

Jan, 2022

本文提出了一种统一的通道感知自监督学习框架（CaSS），通过设计一个新的基于Transformer的编码器（CaT）来捕捉MTS不同时间通道之间的复杂关系，并结合Next Trend Prediction（NTP）和Contextual Similarity（CS）两种新颖的预训练任务来实现自监督学习的表示学习，实验结果表明，与以前的自监督MTS表示学习方法相比，我们的框架在几个常用的基准数据集上均达到了新的最优成果（LSST数据集上提高了7.70％），并可很好地应用于下游MTS分类。

Mar, 2022

提出了一种基于异构特征网络（HFN）的半监督异常检测框架，利用大量无标签的时间序列数据学习异构结构信息，使用注意力系数对检测到的异常进行说明，并在真实世界应用的四个传感器数据集上进行实验证明，其检测精度优于现有的基线方法。

Nov, 2022

该论文提出了一种新的有效的半监督时序分类技术LB-SimTSC，它基于 LB-Keogh 算法构建图神经网络，并在十个大型数据集上表现出与 SimTSC 相近的分类准确度，但是构建图时速度可达到快于 SimTSC 104倍以上。

Jan, 2023

提出了一种名为FormerTime的模型，结合特征金字塔和Transformers模型，解决了时间序列分类中长期依赖性建模和计算效率的问题，并在10个UEA存档数据集上获得了比竞争基线更好的分类性能。

Feb, 2023

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

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

本文介绍了一种新的框架，通过提取和聚类高度激活 CNN 神经元的输入表征模式来解释多元时间序列数据，以捕获输入信号的作用和依赖关系，并构建一个捕获每层提取模式的时间关系的图形，最后使用图形嵌入算法生成可解释的时间序列特征表示。通过在8个UCR/UEA归档数据集以及HAR和PAM数据集上运行广泛的实验，证明了我们的时间感知基于图形的表征在 MTS分类中具有明显优势，并丰富了它们的可解释性。

Jun, 2023

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

本研究针对多变量时间序列（MTS）数据在建模长期依赖性和有效获取相似性方面的缺陷，提出了一种对比相似性感知双路径Mamba（CS-DPMamba）方法。该方法通过时间对比学习模块获得样本的动态相似性，并利用FastDTW构建表示之间的相似性矩阵，进而实现了精确的MTS节点分类，证明了其在多个实际应用场景中的优越性。

Nov, 2024