本研究提出了一种自适应法则基础转化（ALT）方法，旨在解决传统时间序列分类在处理复杂数据时的挑战。ALT通过可变长度时间窗口有效捕获特征模式，保持少量超参数，从而实现先进的分类性能。

本研究探讨了视觉语言模型在时间序列分类中的应用，提出了一种将图形数据与数值数据结合的新方法。研究结果显示，该方法在训练的前两轮内能够产生具有竞争力的效果，并为时间序列分类提供了更丰富的上下文信息。

本研究提出ST-Tree模型，结合Swin Transformer与神经树，旨在提高多变量时间序列分类的准确性和可解释性，并可视化决策过程，推动时间序列分析的发展。

该研究提出了一种名为HiTime的层次化多模态模型，旨在解决传统时间序列分类方法忽视动态时间信息和文本语义对齐的问题。通过双视角对比对齐模块和混合提示策略，该模型有效整合时间特征和文本语义，显著提升分类准确性。

RAINDROP是一种图神经网络，专注于不规则采样和多变量时间序列分类，表现优于其他方法。研究提出的LPTM模型能够自动识别最佳分段策略，从而提升数据和计算效率。此外，综述探讨了大型语言模型在时间序列分析中的应用，提出了InstructTime和DualTime模型，展示了多模态输入的优势。研究还引入了Time-MMD数据集和ViTime模型，显著提高了时间序列预测能力，并解决了大型语言模型在数据可视化解读中的不足。

本研究提出了一种新的性能-可解释性分析框架，用于评估机器学习方法。通过基准测试多元时间序列分类器，发现扰动法为优选。研究强调选择合适的归因方法与用例相关性，并通过比较不同分类器和相异度度量，提供了优化时间序列数据分析的见解，指出了继续研究的必要性。

本研究提出了一种自集成方法，以增强时间序列分类的鲁棒性，并通过减少分类边际方差证明了更大的鲁棒半径。该方法在鲁棒性测试中表现优于基线方法。

时间序列分类（TSC）是数据科学和知识工程中的关键问题。研究表明，基于特征的方法在TSC中的性能与当前先进算法一样准确，值得关注。

我们提出了一种名为MILLET的新框架，用于深度学习时间序列分类模型，具有内在的可解释性。通过评估85个UCR时间序列分类数据集和一个新的合成数据集，我们展示了MILLET能够生成高质量且稀疏的解释。这是首次开发用于时间序列分类的通用MIL方法，并应用于广泛领域。

本论文研究了时间序列数据增强技术及其在神经网络时间序列分类中的应用，提出了四种方法，并在128个数据集上进行了实证评估，以分析每种方法的特点、优缺点和建议，帮助选择神经网络应用的时间序列数据增强方法。

研究者提出了一种名为CondTSC的新框架，通过匹配代理目标，在时间和频率领域结合多视角数据增强、双域训练和双代理目标，以增强时间序列分类数据压缩过程的效果。实验证明，CondTSC优于其他基线模型，能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集。

时间序列分析与视觉或自然语言处理在定义自监督学习任务方面有根本区别。引入了一种名为Series2Vec的自监督表示学习方法，通过预测时间和频谱域中两个序列之间的相似性来解决这个问题。实验证明，Series2Vec在大规模真实世界数据集和UCR/UEA存档上表现优于其他自监督技术，同时在有限标记数据集上高效。此外，将Series2Vec与其他表示学习模型融合可以提高时间序列分类性能。

该文介绍了一种解决时间序列分类中少样本问题的新颖框架，通过数据增强和合成图像生成。实验结果表明，该方法在两个数据集上准确率和F1得分均较高，具有实际应用价值。

本文提出了一种名为欧拉状态网络（EuSN）的新型储层计算模型，使用向前欧拉离散化和反对称循环矩阵设计储层动力学，能在稳定边缘附近运行。实验结果表明，EuSN 在长期记忆任务和时间序列分类基准测试上表现优异，同时具有节省计算时间和能源消耗的优势。

该文介绍了一种新的方法来评估时间序列分类的可解释性，并引入了新的评估指标。该方法使用新的合成数据集，并解决了文献中遇到的几个常见问题。新方法突出了 Shapley Value Sampling 和 Integrated Gradients 在时间序列分类任务中的可解释性优势。

时间序列分类是数据科学和知识工程中的关键问题。过去二十年来，研究者提出了许多新方法，包括相似度度量、区间、形状、字典、深度学习和混合集成方法。最近，还有一些工具用于从时间序列中提取无监督信息摘要统计。通过对112个时间序列数据集进行的10000次学习实验的结果分析，发现基于特征的方法与当前先进的TSC算法一样准确，应该在TSC文献中得到更多关注。

本研究比较了传统机器学习方法的表格模型和ROCKET系列分类器在时间序列分类中的性能。结果显示，表格模型在约19％的单变量和28％的多变量数据集上优于ROCKET系列分类器，并在约50％的数据集上准确率不超过10个百分点。因此，在开发时间序列分类器时应考虑使用简单的表格模型作为基线模型。