ICML2024时序最新研究论文合集！

最新推荐文章于 2024-08-27 00:00:00 发布

沃恩智慧

最新推荐文章于 2024-08-27 00:00:00 发布

阅读量959

点赞数 21

文章标签：人工智能论文阅读计算机视觉

本文链接：https://blog.csdn.net/m0_73122726/article/details/140320591

版权

ICML作为年度机器学习国际顶级会议及中国计算机学会推荐A类会议，为来自世界各地最杰出的人工智能专家和研究者提供交流平台，共同探讨前沿的深度学习和强化学习领域的最新进展。

本次会议投稿量再创新高达到9473篇，最终录用2609篇，录用率27.5%。

沃恩智慧为大家精心整理了一份ICLR 2024 有关时间序列领域的最新研究成果的论文，总共62篇，已全部下载好：

需要的同学关注公众号【沃的顶会】，回复“CVPR”即可全部领取！

2024时间序列

时间序列预测与分类

IP-LLM: Semantic Space Informed Prompt Learning with LLM for Time Series Forecasting

概述：该文提出使用LLM的语义空间信息提示学习，以将预先训练的语义空间与时间序列嵌入空间对齐，并基于来自联合空间的学习提示执行的时间序列预测方法。

Revitalizing Multivariate Time Series Forecasting: Learnable Decomposition with Inter-Series Dependencies and Intra-Series Variations Modeling

概述：该文引入了一种可学习的分解策略，以更合理地捕获动态趋势信息，并提出了一个双注意模块，以实现更好的时间序列预测。此方法不仅在预测性能上显示出显著的进步，而且所提出的分解策略可以插入到其他方法中，性能提升很大。

Deep Functional Factor Models: Forecasting High-Dimensional Functional Time Series via Bayesian Nonparametric Factorization

概述：该文介绍了一种用于分析高维函数时间序列的贝叶斯非参数模型——深度函数因子模型（DF2M）。DF2M建立在印度自助过程和多任务高斯过程的基础上，结合了捕获非马尔可夫和非线性时间动力学的深核函数，通过构建因子模型并在核函数中集成深度神经网络，提供了一种利用神经网络的可解释方法。

Conformalized Adaptive Forecasting of Heterogeneous Trajectories

概述：该文提出了一种新的共形方法来生成同时预测带，保证以足够大的概率覆盖新随机轨迹的整个路径，融合了来自单个和多个时间序列在线共形预测的不同技术，以及解决回归中的异方差问题的想法，既提供精确的有限样本保证，又通常会比之前的方法产生更有信息量的预测。

Irregular Multivariate Time Series Forecasting: A Transformable Patching Graph Neural Networks Approach

概述：该文提出了可转换的修补图神经网络，将每个单变量不规则时间序列转换为一系列可转换的修补，促进局部语义捕获和跨时间序列相关性建模，同时避免了对齐IMTS中的序列长度爆炸，提出时间自适应图神经网络，基于一系列学习到的时变自适应图来建模动态的时间序列相关性。在构建的一个全面的IMTS预测基准上展示了tPatchGNN的显著优越性。

需要的同学关注公众号【沃的顶会】，回复“CVPR”即可全部领取！

时间序列生成

Time Weaver: A Conditional Time Series Generation Model

概述：该文引入了TIME WEAVER——一种新的基于扩散的模型，利用分类、连续甚至时变变量形式的异构元数据来显著改进时间序列的生成。此外，创新了一种新的评估度量，准确地捕获了条件生成的特异性和生成的时间序列的真实性。

Bayesian Online Multivariate Time Series Imputation with Functional Decomposition

概述：该文提出BayOTIDE:基于功能分解的贝叶斯在线多元时间序列插补。该方法将多元时间序列定义为多组具有不同模式的低秩时间因子的加权组合，采用一套高斯过程，作为函数先验来对这些因素进行建模，通过构建等效的随机微分方程，进一步将GPs转换为状态空间先验，并开发了一种可扩展的在线推理算法。

Time Series Diffusion in the Frequency Domain

概述：该文分析了在频域表示时间序列对基于分数的扩散模型是否是一个有用的归纳偏差。从时域扩散的标准SDE表述开始，表明了在频域中发生的双重扩散过程具有重要的细微差别，展示了如何自适应去噪分数匹配方法，以在频域实现扩散模型。

Timer: Transformers for Time Series at Scale

概述：该文旨在开发大型时间序列模型（LTSM），以改变从头开始在特定数据集上训练小型模型的当前做法，最终形成“时间序列变换器”(Timer)。通过在大型多领域数据集上进行自回归的下一个单词预测进行预训练，并通过微调以在下游场景中展现出有前途的LTSM能力。

Probabilistic time series modeling with decomposable denoising diffusion model

概述：该文提出了可分解的去噪扩散模型D3M，并证明了它是统一去噪扩散模型和连续流模型的通用框架。在新框架的基础上，提出了一些简单而有效、生成速度快的概率路径。设计了一个模块，将特殊的状态空间模型与线性门控注意力模块相结合，用于序列建模。

需要的同学关注公众号【沃的顶会】，回复“CVPR”即可全部领取！

时间序列表示学习

CauDiTS: Causal Disentangled Domain Adaptation of Multivariate Time Series

概述：该文提出了CauDiTS——一个用于多变量时间序列的无监督域自适应的创新框架，采用自适应基本原理解缠器，从变量相互关系中解缠领域公共因果理论和领域特定相关性，此外使用因果原型一致性和领域干预因果不变性的学习策略来促进类内因果推理的跨领域一致性。

Multi-Patch Prediction: Adapting LLMs for Time Series Representation Learning

概述：该文提出aLLM4TS，一种创新框架，适用于大型语言模型(llm)的时间序列表示学习。该方法的核心是将时间序列预测重构为一个自监督的多块预测任务，与传统的对比学习或掩码-重建方法相比，更有效地捕捉了块表示中的时间动态。

MF-CLR:Multi-Frequency Contrastive Learning Representation for Time Series

概述：该文提出多频对比学习表示(MF-CLR)，旨在利用对比学习的能力，以自监督范式学习多频时间序列的良好表示。MF-CLR在所有下游任务中都具有领先的性能，并在迁移学习场景中跨不同目标数据集规模保持一致的性能。

TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling

概述：该文为了强调时间相关性建模，提出了一种基于孪生网络的时间序列自监督预训练框架TimeSiam。TimeSiam预训练孪生编码器，，可以从不同的增广子序列中受益，并通过过去到现在的重建来学习内部的时间依赖表示，还引入了可学习的世系嵌入在域内和跨域场景中展示了卓越的预测和分类能力。

Longitudinal Targeted Minimum Loss-based Estimation with Temporal-Difference Heterogeneous Transformer

概述：该文提出了深度长期目标最小损失估计（Deep LTMLE），这是一种在纵向问题设置中估计动态治疗策略下结果的反事实均值的新方法，利用了一个使用时序差分学习训练的异质类型嵌入的Transformer架构，在获取初始估计后，按照定向最小损失估计（TMLE）框架进行统计上的偏差校正，以纠正与机器学习算法常见的偏差。此外，通过提供基于渐近统计理论的95%置信区间来促进统计推断。

需要的同学关注公众号【沃的顶会】，回复“CVPR”即可全部领取！

时间序列分析