本研究提出了一种新方法，解决多变量时间序列分类中的高维数据建模和标签数据不足的问题。通过整合额外信息与主体关系，利用对比时序自注意力模块和动态时间扭曲技术构建异构图。实验结果表明，该方法在多个数据集上优于现有技术，具有重要应用价值。

本文介绍了一种基于时间序列的视频人员重识别方法，利用动态时间扭曲模型实现自动对齐和匹配。研究提出了多种框架和数据集，提升了可见光与红外人员重识别的性能，并解决了异构摄像头间的身份关联问题。实验结果表明，该方法在多个数据集上表现优越，为该领域的进一步研究奠定基础。

本文介绍了一种基于变分自动编码器的深度学习模型，用于从多重免疫荧光细胞图像中提取细胞特征，并成功应用于乳腺癌患者的细胞表型分类。研究提出了动态时间扭曲方法，结合H&E幻灯片和免疫表型数据，提升了疾病诊断的精度和个性化治疗能力。此外，开发了新的多实例学习框架和多模态图像融合方法，推动了计算病理学的发展。

本文介绍了一种基于时间序列的无监督异常检测方法WETAS，该方法通过数据增强提高鲁棒性，并利用动态时间扭曲有效识别异常时间段。实验结果表明，WETAS在定位时间异常方面优于现有技术，表现出良好的性能和计算效率。

介绍了Match-And-Deform（MAD）方法，用于对齐时间序列和时间戳。通过最优输运损失和动态时间扭曲，可以同时对齐时间序列和时间戳。将MAD嵌入到深度神经网络中，提高网络的判别能力。实证研究表明，MAD能够进行有意义的样本配对和时间偏移估计，并达到与最先进的深度时间序列领域自适应策略相似或更好的分类性能。