标签
本文介绍了Unicorn，一个用于对高维时间序列进行可扩展的多数据集预训练的框架，它通过潜在原型码本将相关性建模与特定通道身份解耦，从而实现了领域迁移和少样本预测。
提出了一个连续性准则，用于将离散时间因果先验数据拟合网络扩展到连续时间，利用随机微分方程（SDE）。引入了分类体系和细网格积分方法，在不规则观测时间表上优于朴素积分方法。
PrismFlow 提出了一种流匹配方法，结合了受Koopman启发的动力学专家来处理多模态和多尺度时间序列数据，取得了最先进的性能，在Context-FID和Discriminative Score上均有显著提升。
本文提出COM方法，该方法对时间序列令牌嵌入施加连续性和序数性约束，以提升基于令牌的时间序列大语言模型的性能。
本文提出 VisAnomReasoner，一个参数高效的视觉语言模型，在带自然语言解释的新基准 VisAnomBench 上微调，在时间序列异常检测中精度和 F1 提升超过 21 个百分点，并展现出强大的跨基准泛化能力。
提出FM-fMRI，一种事件条件流匹配模型，能够从静息态fMRI合成任务fMRI时间序列，在Human Connectome Project和内部自闭症队列上实现了优于基线的频谱和连接一致性，并改进了下游自闭症分类性能。
本文介绍了MultiSeismo，一个大规模多模态地震数据集，包含超过16,000个事件，整合了波形、烈度图和元数据，以及MISCE指令集和SeisModal——一个经过微调的多模态模型，用于跨模态地震理解。
本文研究了临床数据时间序列预训练中归纳偏差的作用，提出了PathoFM——一种以编码器为中心的Transformer，在多变量步态窗口上进行了预训练。研究比较了不同的预训练目标，发现以动力学为中心的混合目标在分类和回归任务中实现了最均衡的迁移效果。
本文提出CoAD，一种新颖的框架，统一了异常暴露（分类）和掩码自编码器（重建）两种范式用于时间序列异常检测，解决了它们各自的局限性。大量实验表明，CoAD在轻量快速的同时，显著优于现有最先进方法。
本文提出一种在线框架，将流式时间序列建模为时滞系统的动态混合，通过总结系统张量和张量分解应对机制转变和内存限制。
本文介绍了TSFMAudit，这是首个用于审计时间序列基础模型预训练数据污染的方法，通过探针适应动态来检测异常高效的微调，从而指示先前的数据暴露。
本文介绍了两个代理型AI框架：DeepTS/DeepCollector和DeepScribe，它们利用混合本地-云端架构和大语言模型，自动化科学工作流程，包括时间序列数据整理以及将物理讲座转化为结构化报告。
TS-Skill 引入了一个受控的基准测试，包含三种可组合的分析技能用于时间序列问答。在 LLMs 和 TSLMs 上的实验揭示了显著的能力差距，特别是在跨区间整合方面。
提出Cascade-KDE，一种无需训练的框架，利用二维核密度估计和截断期望来修复被分布外脉冲异常值污染的时间序列，同时保留局部结构和导数特征。
本文介绍了TSCOMP，一个大规模基准测试，系统地将深度多元时间序列预测方法分解为细粒度组件，以实现自动化模型选择，性能优于复杂的整体架构。
World Machine 提出了一种基于 Transformer 的生成式世界建模架构，用于时间序列分析。该架构通过潜在状态自适应地处理不同长度的上下文，解决了传统 Transformer 的二次内存成本问题。在合成数据集上的实验验证了该方法的可行性，并显示出相比传统 Transformer 的改进。
PeakFocus提出了一种统一的多尺度框架用于电力负荷峰值预测，该框架联合处理峰值时间定位和强度回归，解决了现有两阶段方法的局限性。
Chronicle 是一个 324M 参数的纯解码器 Transformer，从零开始在自然语言和时间序列上预训练，在 NLU 和时间序列分类任务上取得了有竞争力的性能，并在 UCR/UEA 数据集上的冻结嵌入时间序列分类中创造了新的最先进水平。
本文介绍了Gorilla，一个由Facebook开发的内存时间序列数据库，通过一种新颖的压缩算法实现了高性能，能够存储数十亿时间序列并支持生产监控的快速查询。
INSIGHTS 是一种模型无关的方法，通过生成多样化、信息丰富的样本摘要来提供时间序列模型的全局解释，这些摘要捕捉特定领域的行为，在用户研究中优于局部归因方法。