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。

本文评估了时间序列分类中的相似度测量方法，并提出了一致的评估标准。研究利用图神经网络建模不规则多元时间序列，以分析学生表现预测的准确性。同时，探讨了大型语言模型在时间序列分析中的应用及未来研究机会，强调了教育数据挖掘的重要性。

本文介绍了一种名为Native Guide的模型无关反事实解释技术，旨在为时间序列分类器生成解释。研究表明，不同机器学习模型对反事实生成的影响有限，强调了定性分析的重要性。此外，提出了基于生成对抗网络的SPARCE方法和Counterfactual Time Series模型，以提高反事实解释的质量和可操作性。CounterfacTS工具用于探测深度学习模型在时间序列预测中的鲁棒性，帮助识别特征并优化预测性能。

本文研究了流式事件中的早期分类与准确性优化，提出了新算法TEASER和ELECTS，显著提升了分类的准确性和效率。同时回顾了时间序列分类的多种方法及其在医疗、金融等领域的应用，强调了基于特征的方法与先进算法的相似性能。

本文提出了CondTSC框架，通过时间和频率领域的代理目标匹配，结合多视角数据增强和双域训练，提升时间序列分类数据的压缩效果。研究表明该方法在生成符合原始数据分布的合成数据集方面具有优势，为数据集精简和高效学习提供了新可能。

该研究探讨了基于图变分自编码器的深度学习架构，以提高逻辑嵌入的反向推理能力。文章介绍了在连续向量空间中表示数学表达式的方法，并提出了结合神经网络与信号时序逻辑的时间序列分类模型，强调可解释性和有效性。

本文提出了一种名为MILLET的多示例学习框架，应用于深度学习时间序列分类模型，提升了可解释性而不降低预测性能。在85个UCR数据集上的评估中，MILLET生成了高质量的解释，首次开发了通用的时间序列分类MIL方法。

本文研究了变压器模型中的位置编码方法，提出了时间绝对位置编码（tAPE）和高效相对位置编码（eRPE），并结合卷积输入编码构建了多元时间序列分类模型ConvTran。实验结果表明，该模型在多个数据集上优于现有的卷积和变压器模型。此外，研究探讨了动态位置编码和条件位置编码在翻译和图像分类中的应用，显示了性能提升。

本文介绍了多种基于神经网络的时间序列分类方法，如多尺度卷积神经网络和图神经网络，展示了其在准确性和效率上的优势。这些方法在多个数据集上表现优于传统算法，推动了时间序列分类领域的发展。

本文介绍了InceptionTime模型，这是一种高效的深度卷积神经网络，具有良好的可伸缩性和时间序列分类能力。研究表明，该模型在心房功能障碍检测和癫痫预测中表现优异。此外，WaveCNets通过小波变换增强了CNN的抗噪性能，适用于图像分类。

UniFeat 是一个开源特征选择工具，支持多种研究领域，提供多种特征选择方法，促进新算法的开发。文章介绍了几种特征选择算法，包括基于梯度提升决策树的方法，强调它们在高维数据和时间序列分类中的有效性和性能。

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。