本研究提出了一种高效的主题发现算法LAMA，用于解决多维时间序列中的主题问题。LAMA通过识别相关子维度和最佳模式，提高了模式发现的效果。实验结果表明，LAMA在检测有意义模式方面优于现有方法，且计算复杂性不变。

本研究提出了一种新方法，利用视觉编码器分析多维时间序列数据，提高多模态基础模型在医疗、金融和社会科学领域的应用。实验显示，该方法优于原始文本数据，降低了模型API成本，展现了多模态模型的潜在价值。

本文提出了贝叶斯时间分解（BTF）框架，用于多维时间序列建模，解决了缺失值问题。该框架能够表征全局和局部一致性，并使用Gibbs采样算法进行模型推断和预测。验证结果显示该框架在缺失数据和滚动预测任务上具有优越性。