- 生物医学应用中的因果学习
从时间序列数据中训练富有的因果模型，建议使用克雷布斯循环和更广泛的代谢模型作为因果学习方法的基准。
- 可学习数据增强的自监督时间序列异常检测
我们提出了一种利用可学习数据增强的时间序列异常检测（LATAD）技术，该技术通过对比学习从时间序列数据中提取判别特征。LATAD 在潜在特征相似性的基础上测量异常得分，并在多个基准数据集上表现出与最先进的异常检测评估相当或更好的性能，并提供 - 深度时间分解：大规模时空生成模型
通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。
- 一种用于天气现象分类的新型时间序列转图像编码方法
通过分析电磁波对降雨的影响，以及其对移动网络性能的影响，本文提出了一种将时间序列数据编码为图像并利用卷积神经网络作为图像分类问题的新方法，以解决在 4G/LTE 移动终端中从接收信号水平（RSL）中识别特定天气现象的问题，并通过不同的数据增 - 粗糙变压器：轻量级连续时间序列建模与路径特征
在处理非均匀间隔的时间序列数据时，传统的循环模型表现不佳，研究人员通常会使用基于神经常微分方程的模型和基于 Transformer 的模型来解决长程依赖和不规则采样数据的问题。为了解决这一挑战，本文引入了 Rough Transformer - 物联网应用中符号聚合近似的性能评估
基于 SAX 算法，本文提出了一种降维和形状识别方法，旨在解决物联网等应用中 SAX 算法的计算开销问题，通过降低维度空间的同时捕获和保留形状的最具代表性的特征，实验证明了这种方法在性能特性方面的优势。
- DeepHYDRA：动态配置系统中的资源高效时间序列异常检测
使用 DeepHYDRA 方法进行分布式系统中的异常检测，结合 DBSCAN 和基于学习的异常检测的混合方法，可可靠地检测不同类型的异常。
- MM移动网络中的故障检测与扩散模型
本文介绍了一种利用生成 AI 模型检测电信网络异常的系统，通过扩散模型对多元时间序列数据进行训练，提出了用于电信网络时间序列异常检测的框架和优于其他技术的扩散模型架构，并通过对真实数据集的实验验证模型提供了可解释的结果，揭示了其局限性并提出 - 在 Azure 核心工作负载洞察中的高显著性故障检测
自动识别 “高显著异常” 及其相关信息以便用户感知。
- 用于连续高效时间序列建模的粗糙变换器
在医学背景下，基于时间序列的数据通常具有长程依赖并且在非均匀时间间隔下进行观察。为了解决这个问题，研究者们用基于神经 ODE 的模型取代了传统的基于序列的循环模型，来对不规则采样的数据进行建模，并使用基于 Transformer 的架构解决 - 评估大型语言模型作为时间序列物理感测数据的虚拟标注器
传统的基于人机协同的时间序列数据标注方法常常需要访问环境中的其他模态，例如视频或音频，以便为人类标注员提供必要的信息，因为原始数字数据常常对专家来说过于模糊。然而，这种传统方法在成本、效率、存储额外模态、时间、可扩展性和隐私等方面存在诸多问 - 多类别时间逻辑神经网络
我们提出了一种方法，结合了神经网络和 Signal Temporal Logic，用于对时间序列数据进行多类别分类，通过引入边界概念和 STL 属性，提高了分类结果的可解释性。
- 评估时间序列数据的动态时间规整度量
综合评估了不同动态时间规整测度在时间序列数据处理任务中的性能，并提出了基于变异类型选择适当动态时间规整测度的指南。
- 合成时间序列数据真的不如真实数据好吗？
本文提出了 InfoBoost—— 一种高度灵活的跨领域数据合成框架，具有时间序列表示学习能力。我们开发了一种基于合成数据的方法，能够在无需真实数据的情况下进行模型训练，并超越了使用真实数据进行训练的模型性能。此外，我们训练了一个基于合成数 - 时间序列数据的信号质量审计
通过开源软件实现，我们开发了一种信号质量评估工具包，对时间序列数据进行分析，并研究改善时间序列数据的去噪方法，验证了工具包在公开基准数据上的效果，具有广泛的适用性，可以用于复杂系统中任意时间序列测量结果的可靠性评估。
- DACR：基于分布增强对比重建的时间序列异常检测
基于时间序列数据的异常检测是识别故障、故障、威胁和异常值的关键，该研究提出了 Distribution-Augmented Contrastive Reconstruction (DACR) 以改进深度学习技术在复杂和高度动态的实际场景中的 - 通用时间序列表示学习调查
使用深度学习从时间序列数据中提取隐藏模式和特征的研究现状和未来发展方向的综述。
- 金融时间序列的无模型控制的课程学习与模仿学习
课程学习和模仿学习在机器人领域得到广泛应用，但对于基于高度随机时间序列数据的控制任务，研究工作较少。本研究通过数据增广实现了课程学习的基本思想，通过策略提炼从模型中学习实现了模仿学习，并发现课程学习可以提高复杂时间序列控制任务的性能，这一发 - 物联网时序数据的图像转换：一综述
在物联网时代，物联网数据的高维和高频率给时序分类或回归带来了挑战，而深度学习算法在智能物联网应用中表现出了优异的时间序列数据分类性能。然而，发现时序中隐藏的动态模式和趋势仍然困难。近期的研究表明，将物联网数据转换为图像可以提高学习模型的性能 - 时间序列的自学习特征提取
时间序列上的自我监督学习能够使得类似于自然语言处理和计算机视觉领域中最近释放的潜力发挥出来。通过使用基于 data2vec 自蒸馏框架的一个概念上简单而强大的非对比度方法，我们的方法展示了在分类和预测等下游任务上与 UCR、UEA 和 ET