- QUANT: 时间序列分类的极简区间方法
使用一个特征类型（分位数），固定区间和现成分类器，我们展示了在标准基准数据集上可以实现与现有时间序列分类间隔方法相同的平均准确度。这种间隔方法的提炼在 UCR 档案的 142 个数据集上取得了最先进的准确度，并且只需不到 15 分钟的总计算 - ICML非规则时间序列的连续时间证据分布
EDICT 是一种学习连续时间不规则时间序列中的证据分布的策略，可以在任何感兴趣的时间灵活地推断部分观察到的特征，并扩展稀疏、不规则观测的不确定性，从而实现了具有竞争力的时间序列分类任务的性能和在遇到噪音数据时的不确定性引导推断。
- 基于归因和反事实的时间序列分类视觉解释
本文提出了一个可视化分析工作流程，以支持全局和局部解释的无缝转换，重点是基于时间序列分类的属性和反事实分析，通过采用本地 XAI 技术（归因），将其应用于传统数据集（图像，文本）来分析时间序列分类，进而生成全局概览。
- 多元时间序列分类：深度学习方法
本研究探究适用于时间序列分类领域的不同方法和各种神经网络结构。该论文通过使用来自气体传感器的数据来探测某一特定环境中的占用状态，并使用 Fully Convolutional Networks (FCN) 和 Long Short-Term - 基于卷积和深度学习的时间序列有序分类技术
本研究通过建立 TSOC 基准测试来探讨序列分类问题。实验表明，相较于对同类问题的标准分类方法，TSOC 方法在有序标签结构的时间序列数据上的分类表现更好。
- AMEE：时间序列分类中的解释评估鲁棒框架
本文提出一种名为 AMEE 的模型无关解释评估框架，可以量化和比较用于时序分类的多个显著性解释方法，并通过扰动输入时间序列来测量其对分类准确度的影响以进行解释评估。
- KDD具有多样性和具有区分性的表示学习的通用低资源活动识别
提出了一种名为 DDLearn 的新方法，通过构建自监督学习任务，同时考虑多样性和判别性学习，扩大数据多样性和探索潜在的活动属性，从而实现针对低资源人类活动识别的泛化。
- 基于字典的时间序列序数分类方法
介绍了一种新的基于字典的时间序列分类方法 —— 基于序数的时间序列字典集成，在 TSOC 领域中进行了广泛的比较，证明了其在与四种现有的名义字典技术相比的性能改进。
- 自监督活动表示学习与增量数据：一项实证研究
研究利用自监督学习扩展传统监督模型，以应对移动感知环境中许多传感器持续产生的大量数据和标注数据不足的挑战，通过一个未标注的时间序列数据集来抽取特征并预测带有标签的数据，研究结果表明在四种公共数据集上对于不同类型的传感器和应用，选择不同大小及 - Bake off redux: 近期时间序列分类算法的综述和实验评估
通过对 UCR 数据集中的 85 个数据集进行比较，本文对 18 种时间序列分类算法性能进行了评估，建立了五类算法的分类法，新增三类以反映新进展，通过引入新数据集并对比算法，确定了 Hydra + MultiROCKET 和 HIVE-CO - Proximity Forest 2.0: 一种新的有效和可扩展的基于相似性的时间序列分类器
提出了一种新的基于相似度的分类器 Proximity Forest 2.0，它通过采用包括计算上更高效的计算相似度方法、新的弹性相似度度量 ADTW 以及成本函数调优等多种技术，将 UCR 测试集上的表现超过以往同类型分类器，并在某些需要相 - 神经网络熵（NNetEn）：通过熵特征分离脑电信号和混沌时间序列，用于计算 NNetEn 的 Python 包
本文提出了基于 NNetEn 算法的两种新分类指标：R2 Efficiency 和 Pearson Efficiency，以及将传统熵测量和 NNetEn 特征应用于时间序列分类中的成功实现，通过实验验证了该方法在分类问题中的高效性。
- 从私有到公开：在私有时间序列分类上进行 GAN 的基准测试
本文旨在使用生成对抗网络（GAN）技术解决数据隐私问题，提出了一种保护数据隐私的公共数据生成方法，并在时间序列分类的应用领域中评估了两种 GAN 架构，其中 GSWGAN 表现突出。
- 时间序列作为图像：用于不规则采样时间序列的视觉 Transformer
本文旨在利用图像分类的方式，将不规则采样的时间序列转换为线图像，应用于医疗应用中的时间序列分类问题，大大简化了算法设计，同时在多个数据集上显示出良好的性能，特别是在具有挑战性的离散传感器设置中，绝对 F1 分数提高了 54.0％。
- WWWFormerTime：用于多元时间序列分类的分层多尺度表示
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。
- AAAILB-SimTSC: 高效相似性感知图神经网络用于半监督时间序列分类
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。
- 时间序列分类的动态稀疏网络：学习如何 “看见
本文提出了一种动态稀疏网络 (Dynamic Sparse Network)，旨在解决时间序列数据在信号范围上的多样性造成的痛点，通过动态稀疏训练的方式探索区域约束下的稀疏层卷积核，无需超参数调整，减少了计算资源成本，达到了比其他方法更精确 - ICLR时间序列分类的外域表示学习
该研究提出了一种从分布角度解决时间序列分类问题的新方法，称为 DIVERSIFY，该方法采用对抗性训练获得最坏情况分布并匹配子域的分布来学习泛化表示，实验结果表明该方法在不同情境中的 7 个数据集上具有显著优势，可以有效地表征者潜在分布。
- 基于时间逻辑描述的可解释时间序列分类的神经符号模型
本研究提出了 Neuro-Symbolic Time Series Classification（NSTSC），一种神经符号模型，借助信号时间逻辑（STL）和神经网络（NN）来完成多视图数据表示的时间序列分类任务，并将模型表达为可读性强的可 - 时间序列分类中注意力机制的反思
本文提出了一种灵活的多头线性注意力（FMLA）方法，通过与可变形卷积块和在线知识蒸馏进行分层交互来提高局部感知能力。此外，我们还提出了一种简单但有效的掩码机制，以减少时间序列中的噪声影响并降低 FMLA 的冗余。通过多次以随机掩码层转发样本