- 具有隐含因果效应分离的神经状态空间建模
本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深 - 时间序列无监督异常检测的降噪架构
通过长短时记忆网络（LSTM）自动编码器，结合去噪自编码器，可以更高效地实现无监督异常检测。此方法的关键字包括异常检测、时间序列、去噪自编码器、LSTM 自动编码器和无监督学习。
- ICML用卷积神经网络（CNN）方法对超新星时间序列进行分类
利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。
- 利用专家特征进行时序表征的对比学习
该论文介绍了一种新的对于时间序列进行特征学习的方法，该方法能够使用专家知识提取特征替代传统的数据变换方法，实验表明，该方法在无监督和半监督学习领域的表现优于现有的多个方法。
- ICML时序相关的符合性预测集
本文提出了基于 Ensemble Regularized Adaptive Prediction Set 的方法，用于构造分类问题的预测集。该方法旨在处理具有未知依赖关系的时间序列数据，并能够根据理论和实验结果表现出较小的预测区间和有效的覆 - 动量变换器交易：一种智能和可解释的架构
本研究介绍了动量 Transformer，一种基于注意机制的深度学习架构，在时间序列的动量和均值回归交易策略表现方面优于基准模型。通过引入多个注意头，我们可以捕捉发生在不同时间尺度上的同时并发动态。Momentum Transformer - IJCAI基于表示学习的时间序列分类自动标注生成：降低训练标注成本
本研究提出了一种使用编码器来自动生成未标记时间序列标签的方法，该方法通过学习潜在结构进行自我纠正并使用变分自动编码器来改善标签的质量，实验结果证明该方法接近于全面监督分类的性能水平并在某些情况下表现更好。
- ICML神经药效动力学状态空间建模
提出了一种基于深度生成模型的注意力神经网络架构，对高维、纵向数据中的患者生物标志物进行建模，达到了可扩展和准确预测疾病进展的效果，同时在实际临床数据上提供了癌症进展动态的解释性见解。
- AAAI多时标概率预测的异构时间序列的协同学习
本文提出了一种深层条件生成模型，命名为变分协同多视界网络（VSMHN），以捕捉各种异质序列的复杂关系，训练过程使用随机变分推理，并生成更准确、更尖锐和更逼真的概率预测，同时表明建模异步事件序列对于多视界时间序列预测非常重要。
- k - 最近邻分类器：第 2 版（附带 Python 示例）
本文介绍了最近邻分类器的技术和方法，主要关注评估相似度、处理计算问题、降低数据维度等方面，新增时间序列相似性、检索加速和固有维度的相关内容，并提供了相关 Python 代码。
- DYNOTEARS: 从时间序列数据中进行结构学习
利用一种基于得分的方法来解决动态贝叶斯网络中的结构学习问题，该方法同时估计时间序列中变量之间的同步和时间滞后关系，并且在模拟数据和真实数据方面都具有较高的准确性和可扩展性，特别适用于需要学习变量间时间关系的多个问题。
- 基于 AI 的自主线路流控通过拓扑调整以最大化时间序列 ATCs
本文提出一种基于人工智能的方法来最大化时间序列可用传输能力（ATC），通过自主拓扑控制考虑各种实际约束和不确定性，其中使用了多种人工智能技术，包括监督学习和深度强化学习，并证明了该方法在 2019 年的全球比赛中取得了成功，并且赢得了竞赛的 - 可训练时间扭曲：在连续时间域中对齐时间序列
本论文介绍一种新的可训练时间扭曲算法（TTW），该算法的时间复杂度线性增长，其使用 sinc 卷积核和梯度优化技术在连续时间域内执行对多个时间序列的对齐， 并在对 85 个 UCR 数据集的时间序列平均和分类任务中表现比广义时间扭曲（GTW - 使用深度神经网络从连续驾驶场景中进行鲁棒车道检测
本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。
- NIPS跨模态循环模型用于从多模态时间序列数据预测体重目标
该研究使用多模态时间序列数据进行深度长短期记忆体（LSTM）架构的设计，用于预测用户达到其减重目标的可能性，并通过可视化模型的预测结果，揭示了任务中的潜在变量。
- IJCAI时间序列的玻尔兹曼机
本文综述了针对时间序列扩展的玻尔兹曼机，介绍了后向传递算法通过时间学习参数的实现。此外，为了解决在线学习中 BPTT 的计算复杂度随着时间序列长度的线性增长的问题，介绍了动态玻尔兹曼机（DyBM）及其基于时间本地性的学习规则，该规则与生物神 - 具条件循环 GAN 的实值（医学）时间序列生成
本文提出使用循环神经网络的生成对抗网络 (GAN) 框架来生成逼真多维时间序列数据，尤其聚焦于应用在医疗数据上。通过对玩具数据集的试验，本文证明了所提出的 RGAN 和 RCGAN 可以成功地生成逼真的时间序列数据，并在手写数字分类和医疗数 - 时间序列分析的深度学习
本文综述了深度学习在时间序列分析和预测领域的主要技术，这些新技术实现了针对时间序列的无监督特征学习，并且取得了不错的应用效果。
- ICML基于 LSTM 的编码器 - 解码器多传感器异常检测
使用长短时记忆网络的编码器 - 解码器方案构建正常时间序列的重建，使用重构误差检测异常，实现了在可预测、不可预测、周期、非周期和准周期时间序列中检测异常。
- KDD最优时间序列模式
该论文提出了一种基于优化的方法来发现时间序列中的模式，该方法相对于搜索更能够发现频繁出现的、最优的模式，即使这些模式并不是明确的子序列。