标签
CoRe 提出了一种模型无关的学习目标，用于多元时间序列预测，该目标使用频率连贯性和关系图损失来提高预测精度，优于标准方法。
本文提出了一种基于变分自编码器的零样本学习框架，用于多元IoT流量异常检测，通过对抗学习和对比学习实现无需标记数据的域适应，并在多个数据集上展示了优异性能。
DynG-Diff提出了一种状态感知的动态引导扩散框架，用于概率性多元时间序列预测，通过自适应处理变量异质性来提升鲁棒性。
介绍了FreSH，一种用于多元时间序列分类的频率分段层次化多专家框架，在UEA基准测试中实现了最先进的准确率，同时减小了模型规模和计算成本。
提出了一种知识辅助的多图框架，用于多阶段工业过程中的多变量时间序列异常检测，融合了传感器组和工艺流程知识，以增强基于图神经网络的依赖建模。
提出一种新框架，结合主动学习、掩码重构与极小极大策略，以改进无监督时间序列异常检测。在28个测试案例中，相较于基线模型，AUC提升12.39%。
STARIXNet是一种轻量级神经网络，通过捕获系统指标之间的多变量时空关系来改进云资源分配，优先考虑服务稳定性而非预测准确性。在沃尔玛部署后，它在保持服务可靠性的同时实现了10%-50%的成本节约。
提出了CALAD，一个用于多变量时间序列异常检测的通道感知对比学习框架，该框架利用估计的通道相关性构建对比样本，实现了最先进的性能。