AAAI‘2024时间序列论文汇总!预测、分类、异常检测和因果发现的最新进展

发布时间:2024年01月16日

在数据科学领域,时间序列分析一直是研究的热点和难点。随着大数据时代的到来,时间序列数据在各个领域的应用越来越广泛,如金融、气象、健康等。因此,对时间序列的研究具有重要的理论和实践意义。

今天就将AAAI'2024会议收录的时间序列论文进行了汇总,涵盖预测、分类、异常检测与因果发现多个方向,大家可以看一看该领域的研究进展和最新成果。

1、MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting

MSGNet:学习多变量时间序列预测中的多尺度间序列相关性

简述:本文提出了一种先进的深度学习模型MSGNet,利用频域分析和自适应图卷积捕捉不同时间尺度上的相互关系。该模型能提取显著周期模式,分解时间序列,并结合自注意力机制和自适应混合跳跃图卷积层学习不同相互关系。在多个真实数据集上实验证明其有效性,且能自动学习可解释的多尺度相互关系,具有强大泛化能力。

图片

2、Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting

从极化表示中学习:用于长期时间序列预测的极端自适应模型

简述:在水文领域,时间序列预测对管理水资源和控制极端事件如洪涝极为重要,不过长期水流量预测因需考虑极端事件而变得复杂。本文提出了一种新型极端自适应模型——距离加权自正则化神经网络(DAN),通过极坐标表示学习来提高长期水流量预测的准确性。DAN采用多损失机制和高斯混合建模来提高对极端事件的鲁棒性,并处理不平衡数据。在四个水文数据集上的测试表明,DAN在长期水流量预测上的性能超越了现有方法。

图片

3、TimesURL: Self-supervised Contrastive Learning for Universal Time Series Representation Learning

TimesURL:用于通用时间序列表示学习的自监督对比学习

简述:本文提出了一种新型自监督框架TimesURL,通过特殊的频率-时间增强方法和双重Universums负对来优化对比学习,并结合时间重构以捕获丰富的时间序列信息,TimesURL能够学习高质量的通用表示,并在6种不同的下游任务中取得了最先进的性能,包括短期和长期预测、插值、分类、异常检测和迁移学习。

图片

4、Graph Contextual Contrasting for Multivariate Time Series Classification

多变量时间序列分类的图上下文对比

简述:本文中提出了图上下文对比(GCC)以增强多变量时间序列(MTS)数据的空间一致性,通过节点和边的图增强以及节点级和图级对比,GCC能够提取稳定且鲁棒的传感器特征和全局特征,加上多窗口时间对比以确保时间一致性,广泛实验验证了GCC在MTS分类中的优越性能。

图片

5、U-Mixer: An Unet-Mixer Architecture with Stationarity Correction for Time Series Forecasting

U-Mixer:具有平稳性校正的Unet-Mixer架构用于时间序列预测

简述:本文中提出了U-Mixer框架,用于应对时间序列预测中的非平稳性挑战。结合Unet和Mixer,U-Mixer捕捉不同片段和频道的局部时间依赖性,避免分布变化影响,融合低级和高级特征。其关键贡献为恢复数据分布的平稳性校正方法,同时保留时间依赖性。实验表明,U-Mixer比最先进方法提高14.5%和7.7%。

图片

6、IVP-VAE: Modeling EHR Time Series with Initial Value Problem Solvers

IVP-VAE:使用初始值问题求解器对 EHR 时间序列进行建模

简述:本文中提出了一种新的连续时间模型来高效处理电子健康记录中的时间序列,该模型直接通过初始值问题(IVP)近似状态演化,避免了循环计算并实现并行状态发展。通过整合编解码器和IVP求解器,模型参数更少,收敛更快。在多个数据集的测试中,这种方法比现有技术表现更好,同时在数据效率上具有显著优势。

图片

7、SimPSI: A Simple Strategy to Preserve Spectral Information in Time Series Data Augmentation

SimPSI:在时间序列数据增强中保留光谱信息的简单策略

简述:为了解决时间序列数据增强技术可能会损害频域信息的情况,本文中提出了一种叫做SimPSI的策略,通过结合原始和增强数据的频谱,并使用保留图来加权,以保持频谱信息。研究人员构建了三种保留图来评估其在不同时间序列数据增强中的有效性。实验结果显示,SimPSI能够有效地保留关键频谱信息,从而提高了数据增强的性能。

图片

8、CGS-Mask: Making Time Series Predictions Intuitive for All

CGS-Mask:让所有人都能直观地进行时间序列预测

简述:本文中提出了CGS-Mask,一种基于细胞遗传条带掩码的后置显著性方法,能够将连续时间步骤整合以评估特征影响,并提供随时间变化的特征重要性分数。通过迭代优化掩码,这个算法能够高效地找到最优解。在多个数据集上的评估显示,CGS-Mask在揭示特征随时间的重要性方面表现优异,并帮助用户更易理解AI模型的决策过程。

9、CUTS+: High-dimensional Causal Discovery from Irregular Time-series

Cuts +:不规则时间序列的高维因果发现

简述:本文中提出了CUTS+,一种基于Granger因果关系的因果发现方法,通过引入Coarse-to-fine-discovery (C2FD)和MPGNN提高了可扩展性。与之前的方法相比,CUTS+在模拟、准真实和真实数据集上显著提高了高维数据的因果发现性能,尤其是在处理不规则采样时。

10、When Model Meets New Normals: Test-time Adaptation for Unsupervised Time-series Anomaly Detection

当模型遇到新常态时:无监督时间序列异常检测的测试时适应

简述:本文强调了无监督时间序列异常检测中新正常问题的普遍性,为了解决这个问题,本文中提出了一种简单而有效的测试时间适应策略,结合趋势估计和自监督方法,在推理过程中学习新正常性。实验表明,与基线相比,将该策略纳入异常检测器可提高模型的性能,增强其对分布偏移的鲁棒性。

图片

码字不易,欢迎大家点赞评论收藏!

关注下方《享享学AI》

回复【时间序列】获取论文

👇

文章来源:https://blog.csdn.net/2401_82426425/article/details/135532784
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。