本研究提出了一种名为AMAD的新方法，旨在解决无监督多变量时间序列异常检测中的模型泛化能力不足问题。该方法结合了自动掩蔽机制和注意力混合模块，取得了优异的表现。

本研究提出了一种新方法，通过自适应中频能量优化模块和关键频率选择块，解决了深度学习模型在多变量时间序列分析中提取中频和关键频率信息的不足。该方法在交通、ECL和太阳能等领域的预测精度显著提高，均方误差分别降低了4%、6%和5%。

本研究提出了一种基于Granger因果关系的框架，用于多变量时间序列的异常检测。该方法通过动态发现因果关系和检测因果模式变化来识别异常，实验结果表明其准确率优于传统方法。

本研究提出了一种STTS-EAD方法，通过将异常检测与多变量时间序列预测训练过程无缝集成，克服了现有方法的局限性。该方法优化了时空信息，提高了预测准确性，实验证明其在推理阶段的性能显著优于基线方法。

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。

本研究提出了因果和局部相关性网络（CaLoNet），旨在解决多变量时间序列分类中的维度和特征相关性问题。实验结果显示，CaLoNet在UEA数据集上表现优异。

本研究解决了多变量时间序列异常检测方法评估中缺乏高质量数据集的问题，提出了一个多样化且包含显著异常的数据集。研究表明，半监督算法优于无监督算法，并强调了对受污染训练数据的鲁棒性需求。

本研究提出了一种对比相似性感知双路径Mamba（CS-DPMamba）方法，旨在解决多变量时间序列（MTS）数据建模中的长期依赖性和相似性获取问题。该方法通过时间对比学习模块获取动态相似性，并利用FastDTW构建相似性矩阵，从而实现精确的MTS节点分类，显示出在多个实际应用中的优越性。

本研究提出EffiCANet模型，旨在解决多变量时间序列预测中的长期依赖性和复杂变量关系建模问题。该模型通过大内核分解卷积、变量间组卷积和全局时间-变量注意力机制，显著提高了预测精度和计算效率。实验结果表明，模型在九个基准数据集上的MAE最大降低10.02%，计算成本降低26.2%。

本研究提出了一种高效的联邦学习方法，针对工业物联网中的多变量时间序列分析。通过模型剪枝技术，显著降低了处理、存储和通信复杂度，实现超过99.7%的压缩率，且性能损失不足1.18%。该方法有效解决了异常和缺失数据的问题，展现了联邦学习的潜力。

本研究提出了一种新方法，将基于注意力的多变量时间序列预测模型简化为多层感知机（MLP），通过前馈、跳跃连接和层归一化操作实现。结果显示，该方法显著降低了计算量，同时保持了可接受的性能，展示了其高效性和可行性。

本研究提出了DisenTS框架，旨在解决多变量时间序列预测中的通道依赖性问题。该方法通过不同预测模型捕捉演变模式，并引入自适应路由信号模块，显著提升了预测性能。

本研究提出了MIXAD模型，旨在解决多变量时间序列数据的异常检测与模型可解释性之间的矛盾。该模型结合了记忆网络和时空处理单元，显著提高了异常评分的可解释性，提升幅度分别达到34.30%和34.51%。

该研究提出了一种新型图神经网络框架，以提高多变量时间序列预测的准确性。通过图学习模块和混合传递层，模型有效捕捉变量间关系及时间序列的空间时间相关性。实验结果表明，该模型在多个基准数据集上优于现有方法，展现出良好的预测性能和效率。

本研究提出了TiVaT架构，通过联合轴注意力机制有效整合多变量时间序列预测中的时间依赖和变量间依赖。TiVaT利用距离感知时间变量采样减少噪声，提高预测准确性，尤其在复杂依赖数据集上表现优异。

本研究通过引入时空协方差神经网络（STVNN）解决了多变量时间序列中时空交互建模的挑战。STVNN利用样本协方差矩阵和联合时空卷积有效建模数据，并在不确定性条件下证明了其稳定性。实验结果表明，STVNN在适应数据分布变化方面表现出色，并在多变量时间序列处理上具有竞争力。

该研究提出了一种图神经网络框架，旨在处理多变量时间序列数据，自动提取变量关系并捕捉时空相关性。实验结果显示，该模型在多个数据集上优于现有方法，尤其在交通数据集上表现突出。此外，研究介绍了MAGNN和MTGODE等创新方法，在时间序列预测中取得显著效果。

本研究提出了一种创新的混合架构，用于准确预测复杂动态系统中的多变量时间序列。该方法在多个基准数据集上表现优异，并有效建模了多重时间跨度预测的不确定性。

本文介绍了一种基于KL散度优化数据分布的多变量时间序列批量异常检测新方法，探讨了高斯过程分类模型的鲁棒性、机器学习分类技术的性能及超参数模型的泛化特性，并提出了在线变点检测算法和随机梯度下降的重尾行为研究，强调理论与实证分析的结合。

本文介绍了多种多变量时间序列预测模型，如Hierarchical Time series Variational Transformer (HTV-Trans)、DeepCN和MTPNet。这些模型通过生成模型、图神经网络和多尺度Transformer等技术，提高了预测的准确性和效率，解决了缺失值问题，并探索了序列内部及间的复杂关系。实验结果显示，这些新方法在多个数据集上优于现有模型。