本文介绍了一种名为“可解释的Mimic学习”的新型知识蒸馏方法，用于解决临床决策中的模型可解释性问题。实验结果表明，该方法在临床时间序列数据集上获得了与深度学习模型相似或更好的性能，并提供了可解释的表型特征。

微软的AutoCL是一种自动机器学习实践，可以自动学习对时间序列数据集和任务进行对比学习表示。通过通用搜索空间和强化学习算法，AutoCL能够自动找到适合给定数据集和任务的对比学习策略。实验结果验证了AutoCL的有效性，并提供了对比学习策略设计的指导。

该研究提出了一种用于入侵检测的时间序列数据集，监测Linux操作系统、网络和ROS2服务三个层面的特征。数据集描述了系统的预期行为和对ROS2特定攻击的响应，并允许测量检测攻击者的时间和恶意活动数量。通过交替周期训练入侵检测器以最小化这两个指标。

本文介绍了一种名为“可解释的Mimic学习”的新型知识蒸馏方法，用于解决临床决策中的模型可解释性问题。实验结果表明，该方法在临床时间序列数据集上获得了与深度学习模型相似或更好的性能，并提供了可解释的表型特征。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息提高匹配精度。在最近邻分类器中使用该算法作为距离度量，能够在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。

本文提出了一种名为shapeDTW的改进算法，通过点对点的局部结构信息来提高匹配的精度。在最近邻分类器中使用该算法作为距离度量，可以在84个UCR时间序列数据集的64个上显著优于DTW，并且在18个数据集上将准确率提高了10%以上。