ICLR‘2024时间序列论文汇总！预测、分析、分类等方向的最新进展

ICLR作为机器学习领域的顶级国际会议，每年都吸引了全球众多顶尖学者和研究者的目光。2024的ICLR会议，将在5月7日至11日在奥地利的维也纳会展中心举行，现在会议论文审稿结果也已经出来了，本届ICLR 2024共收到了7262篇提交论文，整体接收率约为31%。

今天给大家从中整理了一些时间序列领域的高分论文，涵盖了预测、分析、分类、对比学习和插补研究方向，这些论文展示了时间序列领域最新的研究成果，一起看看吧！

时间序列预测 

1、iTransformer: Inverted Transformers Are Effective for Time Series Forecasting

iTransformer：反相变压器对时间序列预测有效

简述：本文提出了 iTransformer，它通过在反向维度上应用注意力和前馈网络，简单地处理时间序列数据，这种方法允许模型捕捉多变量之间的相关性，并通过前馈网络学习非线性表示。iTransformer 在多个真实数据集上的表现超越了现有技术，提升了 Transformer 在时间序列预测任务中的性能和泛化能力。

2、Time-LLM: Time Series Forecasting by Reprogramming Large Language Models

Time-LLM：通过重新编程大型语言模型进行时间序列预测

简述：本文提出了一个 Time-LLM 框架，通过将大型语言模型（LLM）重新编程用于时间序列预测，同时保留其核心结构。研究人员使用文本原型对时间序列进行重新编程，并利用 Prompt-as-Prefix（PaP）增强 LLM 处理时间序列数据的能力。Time-LLM 在多种数据集上的表现优于其他预测模型，尤其在小型和零样本学习环境中表现出色。

3、Interpretable Sparse System Identification: Beyond Recent Deep Learning Techniques on Time-Series Prediction

可解释稀疏系统识别：超越时间序列预测的最新深度学习技术

简述：本文提出了一种新的可解释稀疏系统识别方法，用于时间序列预测，它结合了基于知识和数据驱动的方法，利用傅里叶基处理时间序列数据，并通过稀疏优化实现高精度预测。该方法无需耗时的反向传播训练，并在多个基准数据集上展示了与最先进深度学习方法相比超过 20%的性能提升。此外，该方法在 CPU 上表现出高效的训练能力，本研究为时间序列预测领域提供了新的思路。