- 分割、洗牌和拼接：改进时间序列表示的简单机制
现有的学习时间序列的方法保持时间步骤的时间顺序，假设原始顺序对学习来说是最优的。然而，现实世界的时间序列的非相邻部分可能具有强烈的依赖关系。为了解决这个问题，我们提出了一种名为 Segment, Shuffle, and Stitch（S3 - 长期预测的数据增强策略搜索
我们介绍了一种名为 TSAA 的时间序列自动增强方法，用于应对长期预测中的过拟合挑战，并在挑战性的一元和多元预测基准问题上表现出卓越的性能，建议将其整合到预测流程中。
- 地球科学的因果关系 -- 时间序列和时空因果关系方法综述
该研究概述了时间序列和时空因果分析方法在地球科学中的应用，介绍了因果发现和推断的基本概念、评估技术和领域术语，并提供了当前最先进的方法以及它们的优势和局限性。此外，研究还描述了多种应用，例如极端天气事件、海平面上升和相互关联等，可以作为数据 - ICLR在线临床时间序列多模态对比学习
利用先进的自监督多模式对比学习技术， 注重临床笔记和时间序列，我们引入了一种损失函数：多模式邻域对比损失 (MM-NCL)，展示了我们方法在线预测任务中出色的线性验证和零样本表现。
- 多区块预测：适应时序表示学习的 LLM 调整
本研究提出了一种创新的框架 aLLM4TS，用于适应大型语言模型（LLMs）进行时间序列表示学习，并通过将时间序列预测重新构想为自监督的多补丁预测任务，比传统的遮罩和重建方法更有效地捕捉了补丁表示中的时间动态。我们的策略包括两个阶段的训练： - 不完整时序数据的联合信号恢复与图学习
通过方法的块连续上界最小化（BSUM）算法，从以下数据中学习一个图并恢复信号：来自不完整的时间序列观测的图、未知的底层图模型及信号。这个算法在合成和真实时间序列的模拟结果中展示了图学习和信号恢复的性能。
- AAAI包括稳定 RNN 的动态系统 PAC-Bayes 泛化界限
在这篇论文中，我们推导了一个 PAC-Bayes 界限，用于一类特殊的离散时间非线性动力系统的监督时间序列设置。这个类别包括稳定的递归神经网络（RNN），而这项工作的动机就是应用于 RNN。我们在允许的模型上施加一些稳定性约束，这里的稳定性 - TimelyGPT: 长时序表示的循环卷积变换器
该研究通过重新审视时间序列变压器并确定先前研究的不足，引入了一种名为 Timely Generative Pre-trained Transformer 的创新架构。该架构通过整合递归注意力和时间卷积模块来有效地捕获长序列中的全局 - 局部 - 论异构临床时间序列的逐步嵌入的重要性
使用深度学习对表格时间序列模型进行步进式嵌入，提高临床序列建模的性能。
- 基于检索的时序对比学习的重建
通过检索 - 重建（REBAR）对比学习，我们提出了一种利用卷积交叉注意力体系结构计算两个不同时间序列之间的 REBAR 误差的新方法，并通过验证实验表明，REBAR 误差是相互类别成员资格的预测器，从而为其用作正 / 负标签赋予了合理性。 - 面向时间序列预测的仅解码器基础模型
基于大型语言模型的自然语言处理，我们设计了一个时间序列基础模型用于预测，在各种公共数据集上，模型的开箱即用的零射的表现接近各个数据集的最先进的监督预测模型准确度。模型基于对大型时间序列语料库进行预训练的修补解码器样式注意力模型，并且可以适用 - 测试：文本原型对齐嵌入以激活 LLM 对时间序列的能力
本文总结了使用当今的语言模型（LLM）完成时间序列（TS）任务的两种策略：LLM-for-TS，设计和训练适用于 TS 数据的基础大模型；TS-for-LLM，使预训练的 LLM 能够处理 TS 数据。本文关注 TS-for-LLM 方法， - 通过点过程进行时间因果中介：卫生保健干预的直接和间接效应
本研究提出一个非参数中介－结果模型，假定中介是一种时间点过程，该模型能够在非规则采样的时间序列中估计干预的直接和间接效应，为医疗数据分析提供帮助。
- 利用反事实分析向医生解释机器学习决策
本研究提出一种基于变分自编码器的反事实生成方法，以改进机器学习模型在医疗领域中的解释性问题，并生成更加逼真、相关的反事实情景。
- 时间序列深度模型解释：一份综述
本篇论文介绍了基于反向传播、扰动和近似等后处理方法的时间序列模型后解释的广泛范围。我们提出了内在可解释模型的新颖类别，并介绍了用于说明的常见评估指标及时间序列可解释性问题未来研究的方向。
- 基于衰减函数的时间序列异常检测评估策略
本文提出了一种新的 Point-Adjusted protocol with decay function (PAdf) 评估方法用于评估时间序列异常检测算法，并通过实验证明了该方法能够正确解决现有方法所存在的过度和低估性问题。
- HiPerformer：基于置换等变性的层次化 Transformer 用于时间序列预测
本文提出基于分层置换等变性的模型，用于考虑相同组内和组间特征的股价数据分析与预测，并在实际数据实验中得到了优异的表现。
- KDDTSI-GAN: 使用卷积循环一致性生成对抗网络进行无监督的时间序列异常检测
本研究提出 TSI-GAN，一种用于时序数据的无监督异常检测模型，可以自动学习复杂的时间模式并广义于不同数据集，通过将每个输入时间序列转换为二维图像序列，并使用具有逆映射准确性的重建型 GAN 进行训练，以及后处理中应用 Hodrick-P - 基于特权时间序列文本的蒸馏提高基于文本的早期预测
本文主要介绍了一种基于 LuPIET 的时间序列模型来进行文本预测的方法，借助被忽略的特权信息以提高模型性能，并应用于临床和社交媒体文本的早期预测任务中，结果表明该模型的性能更稳定有效，是第一项在 NLP 领域使用特权信息进行时间序列建模的 - ICLR无监督模型选择用于时间序列异常检测
本文针对无标签数据集的异常检测问题，提供了一种基于三类代理度量（prediction error，model centrality 和 performance on injected synthetic anomalies）的度量组合方法，