- SigKAN: 基于加权签名的 Kolmogorov-Arnold 网络用于时间序列
我们提出了一种新颖的方法，利用可学习的路径签名和科尔莫哥洛夫 - 阿诺德网络（KANs）来增强多变量函数逼近能力。通过利用可学习的路径签名对 KANs 获得的值加权，我们增强了这些网络的学习能力，从而更全面、灵活地表示顺序和时间数据。通过研 - 具证据校准的无源时序领域自适应与时间插值
本研究提出了 MAPU 和 E-MAPU 两种方法，分别解决了时间序列的源域自适应和预测准确性问题，通过引入新的时间插补任务和 evidential deep learning 方法，有效提高了自适应性能。
- 基于标记合并的转换器和状态空间模型的高效时间序列处理
在时间序列分析中，我们首次探讨了令牌合并在时间序列变换器和状态空间模型中的应用，通过引入局部合并算法，我们能够在长序列上有效实现令牌合并，从而在多个模型和数据集上获得显著的计算效益而对准确性影响最小。
- 时间序列表示模型
我们提出了一种基于内省的时间序列分析的新架构概念，其中关键是自监督预训练的时间序列表示模型（TSRM），可以在自动化和资源高效的方式下进行定制和微调，以实现特定任务，如预测和插补。我们的架构通过灵活和分层的表示学习过程对抗缺失数据和异常值， - 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 - 从泛化分析到状态空间模型的优化设计
本文研究了状态空间模型（SSM）的普适性，并提出基于普适性结果改进训练算法的方法。具体地，我们给出了一种依赖数据的 SSM 普适性界限，展示了 SSM 参数与训练序列的时间依赖性之间的相互作用。基于该普适性界限，我们（1）建立了一个基于提出 - 时间序列基础模型综述：利用大型语言模型进行时间序列表示的泛化
对时间序列进行分析的基础模型的研究和应用，包括从头开始预训练基础模型和适应大型语言基础模型进行时间序列分析的方法，并提供了一种 3E 分析框架和一个领域分类系统来帮助该领域的发展。
- 评估大型语言模型对时间序列特征理解的综合分类和基准
提出了一个评估大型语言模型（LLM）在时间序列理解方面能力的框架，包括单变量和多变量形式；通过研究时间序列的特征以及设计和合成数据集来评估 LLMs 在时间序列理解方面的能力，并揭示了 LLMs 对数据格式、查询数据的位置和时间序列长度等因 - 基于数据的时间序列分析的回顾：从样本、特征和周期出发
系统地审视了时间序列分析中不同的以数据为核心的方法，包括广泛的研究主题，并基于样本、特征和周期的时间序列数据特征，提出了一个分类方法。除了讨论和总结了它们的特点、优势和局限性，还提出了关于时间序列数据的挑战和机遇，并提出了建议、开放问题和可 - TimeCSL：无监督对比学习用于可探索时序分析的通用形态片段
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。
- 深度学习与最新应用的调查
综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性，并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构，并讨论了深度学习研究的挑战和未来方向。
- 基于时间序列分析的基础模型：教程与综述
时间序列分析基于 FMs 的模型设计范式的最新进展，强调其理论基础、发展的最新步伐和未来研究探索的途径。
- 因果视角重新思考时间序列分析
Caformer 是一种从因果性角度进行时间序列分析的新框架，该框架包括动态学习器、环境学习器和依赖关系学习器，能够有效地捕捉跨维度和跨时间的依赖关系，并解决环境因素引起的伪相关问题。该方法在长期和短期预测、补全、分类和异常检测等五个主流时 - ConvTimeNet: 多变量时序分析的深层分层完全卷积模型
本文介绍了 ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元 - TOTEM: 基于令牌化的时间序列嵌入用于一般时间序列分析
本研究探索了跨任务和领域的统一建模，通过使用离散的、学到的时间序列数据表示方法来实现通用、跨领域训练。我们提出了一种名为 TOTEM 的简单的分词架构，它使用自监督学习的方式来嵌入来自不同领域的时间序列数据。通过在 17 个真实世界的时间序 - 将泰勒级数和递归结构纳入神经网络中用于时间序列预测
本文介绍了一种新颖的神经网络架构，该架构整合了 ResNet 结构的元素，并引入了 Taylor 级数框架的创新融合。这种方法在许多基准数据集上展现出显著的测试准确性改进，并进一步通过引入递归步骤来提高测试准确性。我们的研究结果强调了我们提 - 稀疏 VQ Transformer：一种无 FFN 框架，通过向量量化提升时间序列预测
稀疏量化后的无前馈层变压器（Sparse-VQ）用于时间序列分析与预测，成功地减少了噪声的影响并提高了计算效率，通过与现有的变压器模型进行集成，进一步提升了性能。
- MTSA-SNN：基于脉冲神经网络的多模态时间序列分析模型
基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。
- 论文：大型语言模型对时间序列分析的启示
当前大语言模型在时间序列分析领域的潜力和发展前景
- 利用大规模语言模型增强时间序列分析：综述
对利用大型语言模型（LLMs）进行时间序列分析的现有方法进行了系统概述，总结了基于 LLM 的时间序列分析的一般流程，并探讨了未来的研究机会。