- KDD从热图的不规则序列中检测集中式太阳能发电厂的异常操作
集中式太阳能发电厂的异常检测方法研究，使用深度学习模型对高维热像数据进行特征提取，处理不规则数据、时间依赖和强烈季节性模式等问题，并采用预测模型有效地区分温度异常，实验证明了方法的有效性以及对发电厂维护提供的关键见解。
- TS3IM：通过图像相似性评估揭示时间序列的结构相似性
时间序列分析中，精确测量相似性对于预测、异常检测和聚类等应用至关重要。本文引入了一种基于结构相似性指数度量的时间序列结构相似性指标测量（TS3IM），通过评估趋势、变异性和结构完整性等多个维度的相似性，提供了更细致和全面的测量方法。这一新指 - 利用方向感知的 t-SNE 可视化高维时序数据
我们提出了两个互补的、方向感知的损失项，用于优化 t-SNE 的目标函数，强调数据的时间属性，指导优化和生成的嵌入结果，以显示出可能被忽略的时间模式。通过促进定向边的局部方向性，我们的方法产生了更具有时间意义且不那么混乱的可视化结果。
- 联邦量子长短期记忆网络 (FedQLSTM)
提出了一种整合了量子长短期记忆（QLSTM）模型和时间数据的新型量子联邦学习（QFL）框架，用于函数逼近任务，实验结果表明，与使用经典 LSTM 模型的联邦学习框架相比，该框架在本地训练时期内实现更快的收敛速度，减少了总计算量，并节省了收敛 - 时间动作分割的活动语法
通过引入有效的活动语法，本文提出了一种新颖的语法归纳算法，可以从动作序列数据中提取强大的无上下文语法，并开发了一种高效的广义解析器，根据归纳的语法和递归规则将帧级概率分布转化为可靠的动作序列。实验结果表明，我们的方法在两个标准基准评估 Br - 利用因果意识图神经网络预测动态图中的时序中心度
利用 De Bruijn 图神经网络（DBGNN）来预测时间序列数据中的时间路径中心性，显著改善了静态图卷积神经网络对于中介中心性和紧密中心性的预测。
- 大型时间序列和时空数据模型：调查和展望
通过收集相关数据集、模型资产和有用工具，我们提供了面向时间序列和时空数据的大规模模型研究的最新进展，强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。
- 使用长短期记忆网络预测 ICU 病死率
实验结果突出了 LSTM 模型对建立真实世界预测引擎的高效性，通过利用严格的多变量时间序列测量将时间框架缩小到 6 小时，这个自动数据驱动系统可以分析从电子健康记录中得出的大量多变量时间数据，提取高级信息以早期预测住院死亡率和住院时间。
- 时间解读：一款用于时间序列数据的统一模型解释库
本文介绍了 $ exttt {time_interpret}$ 库，这是 Captum 的扩展库，专注于时间数据，并包括几种特征归属法和数据集，可以用于解释任何 Pytorch 模型的预测结果。
- 基於上下文區分對比學習的時間序列異常檢測
针对时间数据中的异常检测问题，提出了一种新的方法，借鉴了 DeepSVDD 的损失函数，结合了 Neutral AD 的确定性对比损失，提高了在实际工业数据集中的性能表现。
- Rare Yet Popular: 基于标记数据集的网络异常检测证据和影响
本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。
- ICML基于不同维度输入转换的多元时间序列分类的实证评估
本研究旨在探讨多维时间数据的分类，考虑到数据预处理和尺度调整对模型准确性的影响，研究测试了 7 种不同的数据转换方法和 4 个时间维度，通过测定五种不同方法的分类准确度来说明多元时间序列数据的处理方法的影响。研究表明，在大多数数据集上，最佳 - 具有残差度量的时间模糊效用最大化
本研究提出了一种名为 TFUM 的新型一阶暂态模糊效用项集挖掘方法，该方法在内存中维护不多但重要的有关潜在高暂态模糊效用项集的信息，然后在较短时间内发现一组完整且真正有趣的模式。实验证明，该方法在运行时间、内存使用率和可扩展性方面优于现有算 - 异质性时间和纵向数据的变分自编码器
本文提出了用于处理异构数据的异构纵向变分自编码器，该模型通过建立生成模型和推断网络实现了高维数据的有效推断和处理，并使用连续、计数、分类和序数数据的似然模型来处理缺失值和实现预测。通过模拟和临床数据的实验验证了模型的有效性和预测精度。
- ACL基于时间感知的语言模型作为时态知识库
介绍了一个用于探讨语言模型在知识更新方面的诊断数据集，提出了一种将文本与时间戳共同建模的简单技术来改善语言模型在训练时期已知事实的记忆和对未来时间段内未知事实的预测。还展示了通过时态语境训练的语言模型可以高效 “刷新”，而无需从头开始重新训 - CVPR大规模时间视频建模的梯度正向传播
本文介绍了一种名为 Skip-Sideways 的神经网络训练方法，其通过时间跳跃机制和分布式异构设备进行训练，能够有效地提取时间特征以及实现低延迟训练和模型并行化，并在动作识别等领域中获得更好的性能。
- KDD金融领域时间序列数据的机器学习：挑战和机遇
本文探讨了金融服务业中常见的不同类型的时间数据，回顾了当前在这个领域中的机器学习方法，并评估了在机器学习和时间数据的交叉应用中，研究人员面临的挑战和机遇。
- 动态变分自编码器：综述
本文对可变自编码器 (VAE) 拓展至处理序列数据的方法进行了综述，提出并讨论了动态变分自编码器 (DVAEs) 这一类模型，详细介绍了七种 DVAE 模型，并通过语音分析 - 重构任务的实验基准进行了验证，最后探讨了 DVAE 模型的重要 - 深度回声状态网络 (DeepESN): 简要概述
本文总结了 DeepESN 的发展、分析和应用，详细阐述了深度循环神经网络、储水池计算和状态动力学等方面的现有研究成果。
- CVPR动作检测的预测 - 校正网络
本研究提出了一种基于线性动态系统和非线性映射理论的预测 - 纠正神经网络模型，能够自适应地关注‘惊奇’的视频帧，优化学习效率。研究表明，该模型在三个挑战数据集上的表现与双流网络相当，而无需计算昂贵的光流技术。