- 捕捉时间序列分类的时间组成部分
通过从连续数据中提取统计一致的成分进行训练的多尺度变化空间上的无监督分段方法，用于时序数据分类的符合组合表示学习的序列编码模型的效果得到广泛实验验证。
- TSCMamba：Mamba 与多视图学习相结合的时间序列分类
我们提出了一种新颖的多视图方法，将频域和时域特征整合起来，为时间序列分类提供互补的上下文。我们的方法将连续小波变换光谱特征与时间卷积或多层感知器特征融合在一起，并利用 Mamba 状态空间模型进行高效和可扩展的序列建模，同时引入一种新颖的扫 - 一个带有类平衡策略的时间序列分类的主动学习框架
本研究探讨主动学习策略在降低时序分类任务中所需标记数据数量方面的应用，通过提出一种新的类平衡实例选择算法，有效地解决了不平衡时序数据集中的分类性能和实例选择偏差问题，并在触觉纹理识别和工业故障检测领域证明了该方法的有效性。
- MM评估用于新生儿时间序列数据的可解释 AI 方法 Grad-CAM 进行呼吸分类
本文通过用户研究评估了 Grad-CAM 解释方法在新生儿通气数据时间序列分类的神经网络中的应用的感知有用性，揭示了实现真实透明度的困难以及许多参与者希望获得更深入解释的愿望。
- AdaFSNet: 基于自适应和有效的卷积核大小配置的时间序列分类
通过综合实验证明，AdaFSNet 网络在时间序列分类任务中具有高效性和有效性，通过动态选择范围恰当的核大小和设计 TargetDrop 模块，可以提高分类准确性。
- 刺激时间序列的 EEG 分类：时间序列模型和联合主体训练
研究了 EEG 分类模型与通用时间序列分类模型之间的差异，并通过将时间序列模型与主题嵌入结合，实现了在所有受试者上训练一个联合主题条件分类器，其性能在三个数据集中与专用 EEG 模型相竞争。
- 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。
- DeepHeteroIoT: 深度局部和全局学习在异构 IoT 传感器数据上
提出了一种新颖的深度学习模型，结合了卷积神经网络和双向门控循环单元，以端到端的方式学习本地和全局特征，并验证了在异构物联网传感器数据上优于最新的分类方法和多个机器学习和深度学习基线的有效性。
- Castor：用于快速准确的时间序列分类的竞争形状片段
通过组织 shapelets 并使其在不同时间上竞争来构建多样的特征表示，Castor 算法利用 shapelets 对时间序列进行转换，通过广泛的实证研究证明 Castor 提供了比多个最先进的分类器更准确的转换，并且在广泛的消融研究中， - 多模态语言建模推进时间序列分类
通过使用预训练语言模型，本研究提出了 InstructTime，将时间序列分类重塑为学习生成范式，并将任务特定指令和原始时间序列作为多模态输入，通过文本表示标签信息，实现了在时间序列分类中的卓越性能和通用基础模型的潜力。
- 使用有监督对比时间转换器进行时间序列表示学习
我们提出了一种称为 SCOTT 的简单而新颖的融合模型，用于学习标记时间序列数据的表示，通过合适的数据增强方法和 Transformer 与 Temporal Convolutional Networks 的组合，实现了全局和局部特征的高效 - 多时期汇聚的选择与多角度学习
本论文提出了一种多样化观点学习的新型时间汇聚方法：多个时间汇聚选择（SoM-TP）。SoM-TP 通过注意力动态选择最优的时间汇聚方法，并实现汇聚集成。使用 DPLN 进行透视损失和多样化观点学习，并利用 LRP 进行透视分析。研究结果表明 - 海底工程异常检测的有监督时间序列分类
通过监测物理系统的仿真数据，我们使用监督机器学习分类算法对时间序列进行分类，并讨论了时间序列数据预处理、统计分散度和降维技术。我们提出了一种直观的基准方法，并讨论了其效率，并通过不同性能指标的比较，展示了使用机器学习技术在决策中的优势。
- 通过双域匹配实现时间序列分类的数据集压缩
提出了一种名为 CondTSC 的新框架，通过在时间和频率领域匹配代理目标，结合多视角数据增强、双域训练和双代理目标，以增强时间序列分类数据压缩过程的效果，并证明其优于其他基线模型，能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集 - 无人机类型预测：基于采样和数据增强的时间序列分类探索
使用机器学习模型进行无人机的时间序列分类，研究了时序采样方法和类别不平衡修正方法对分类效果的影响，输入为无人机类型，对四旋翼无人机和固定翼无人机的预测准确性较高，而六旋翼无人机容易被误分类。
- 使用具有运动编码的随机过程模型稳健地学习噪声时间序列集合
使用混合高斯过程和学习的谱核函数的潜变量模型方法来处理具有任意时间序列长度的噪声时间序列数据，使得在多个潜在随机过程上学习多个动力模型成为可能。
- MSTAR: 用于时间序列分类的多尺度骨干架构搜索
通过提出一个新的多尺度搜索空间和神经架构搜索（NAS）框架，解决了时间序列分类中接收域、频率和时间分辨率的问题，并展示了该模型在四个不同领域的四个数据集上达到了最先进的性能，同时为每个数据集引入了十多个高度微调的模型。
- AAAI通过金融时间序列聚类实现金融包容性信贷产品
金融包容确保个人能够获得满足其需求的金融产品和服务，此论文提出了一种新颖的时间序列聚类算法，以了解客户的金融行为，并在不依赖限制性信用惯例的情况下根据客户的需求提供独特的产品。
- AAAI基于形状子序列的与模型无关的时间序列分类的对抗性局部解释
本文提出了一种模型无关的基于实例的事后解释性方法，用于时间序列分类。该方法利用形状特征和 TimeGAN 为任意时间序列分类器提供对抗性解释。我们通过对 UCR 时间序列存档中的几个真实单变量时间序列分类任务进行验证，结果表明与最先进的方法 - 时间序列分类的排序监督对比学习
提出了一种名为 Rank Supervised Contrastive Learning (RankSCL) 的对比学习框架，通过使用特定过滤规则选择更具信息量的正负样本对，利用排名信息为不同级别的正样本分配不同权重，能够在有限标签样本情况