Complex trend inference for high-dimensional piecewise locally stationary time series
Ruhr-Universität Bochum（波鸿鲁尔大学）
本文研究了在非平稳噪声和异步结构断点下的高维分段光滑信号趋势推断问题，通过先检测异步变化不假设平稳性，再利用潜在群体结构估计趋势函数。提出AJDN方法用于高维时间序列中跳跃的识别与定位，并通过模拟研究验证了方法的鲁棒性和有限样本性能。
2026-04-24 stat.ME
INSIGHTS: Demonstration-Based Summaries of Time Series Predictors
Technion Israel Institute of Technology（技术学院以色列理工学院）；Tel-Aviv University（特拉维夫大学）
本文提出INSIGHTS方法，一种模型无关、以用户为中心的方法，用于提供时间序列模型的全局解释。该方法通过生成样本摘要，平衡时间序列样本的重要性与多样性，为用户提供全面的模型行为概述。
2026-05-13 cs.AI cs.LG
Changepoint Detection As Model Selection: A General Framework
University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
本文提出基于L0模型选择的通用变化点检测框架，通过迭代加权融合Lasso（IRFL）方法提升支持恢复和最小化BIC等准则，适用于季节性模式、线性二次趋势及自回归依赖的复杂数据场景。
2026-03-21 stat.AP stat.ME stat.ML
Guided Exploration of Data Summaries
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；CNRS（法国国家科学研究中心）；Univ. Grenoble Alpes（格勒诺布尔阿尔卑斯大学）
数据汇总是生成输入数据集的可解释和代表性子集的过程。它通常是在一个一次性的过程中进行的，目的是找到最好的摘要。一个有用的摘要包含k个单独的统一集合，这些集合集合在集体上是不同的，以具有代表性。统一性解决了可解释性，多样性解决了代表性。当数据高度多样且庞大时，查找诸如摘要之类的数据是一项艰巨的任务。我们研究了探索性数据分析（EDA）对数据汇总的适用性，并将Eda 4Sum形式化，这是一个引导探索数据汇总的问题，旨在顺序生成连接的汇总，目标是最大化其累积效用。EdA 4Sum概括了一次性摘要。我们建议用两种方法之一来解决它：（i）Top1 Sum，它在每一步选择最有用的摘要;（ii）RLSum，它用深度强化学习训练策略，奖励代理在每一步找到一个多样化的新的统一集合。我们比较这些方法与一次性总结和最高性能的EDA解决方案。我们在三个大型数据集上进行了广泛的实验。我们的研究结果表明，我们的方法总结非常大的数据的优越性，并需要提供指导领域的专家。
2022-05-27 cs.DB cs.LG
ChartSumm: A Comprehensive Benchmark for Automatic Chart Summarization of Long and Short Summaries
Islamic University of Technology（伊斯兰科技大学）；York University（约克大学）；Dialpad Canada Inc.（Dialpad加拿大公司）
本文提出大规模图表摘要基准数据集ChartSumm，含84363张覆盖多主题多类型的图表及对应元数据、描述，可生成长短摘要；实验发现强基线模型仍存在幻觉等问题，还探索了数据集的多语言扩展潜力。
2023-06-11 cs.CL cs.LG
DataXploreFines: Generalized Data for Informed Decision, Making, An Interactive Shiny Application for Data Analysis and Visualization
本文介绍了 DataXploreFines，一个用于数据探索、分析和可视化的交互式 Shiny 应用，支持多种数据格式上传、数据处理、交互式可视化及基于 ARIMA 和 SARIMA 模型的时间序列分析，旨在帮助各领域用户做出知情决策。
2023-07-20 stat.OT
RLPF: Reinforcement Learning from Prediction Feedback for User Summarization with LLMs
Google DeepMind（谷歌DeepMind）
针对预训练LLM生成的用户摘要简洁但缺乏下游任务上下文、难以利用长噪声用户历史的问题，提出RLPF方法微调LLM生成适配下游任务的简洁用户摘要，显著提升下游性能与摘要质量，兼具泛化性。
2025-01-17 cs.AI cs.CL cs.LG
Fine-Tuning LLMs for Report Summarization: Analysis on Supervised and Unsupervised Data
Software Engineering Institute, Carnegie Mellon University（软件工程研究院，卡内基梅隆大学）
研究LLM微调在报告摘要任务中的有效性，探讨在资源有限和本地计算环境下微调的可行性及摘要质量评估指标。
2026-04-13 cs.AI cs.CL cs.LG
Capturing Dynamics of Time-Varying Data via Topology
Macalester College（麦卡莱斯特学院）
理解复杂数据的一种方法是通过代数拓扑学来研究它的形状。虽然拓扑数据分析的早期发展主要集中在静态数据上，但近年来，理论和应用研究已转向随时间变化的数据。例如，由一群移动的鱼或鸟形成的时变度量空间集合可以包含大量的信息。通常需要简化或总结动态行为。我们介绍了时变度量空间的拓扑总结，包括葡萄园[19]，克罗克图[56]和多参数秩函数[37]。然后，我们引入一个新的工具来总结时变度量空间：克罗克堆栈。Crocker堆栈便于可视化，适合机器学习，并满足我们证明的理想的连续性。我们证明了crocker stacks在涉及生物聚集的有影响力模型的参数识别任务中的实用性[58]。总而言之，我们的目标是使更广泛的应用数学界最新的拓扑总结时变度量空间。
2021-06-28 cs.CG cs.LG math.AT
EMP: Effective Multidimensional Persistence for Graph Representation Learning
West Virginia University（西弗吉尼亚大学）；Temple University（天普大学）；University of Central Florida（中佛罗里达大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出有效多维持续（EMP）框架，通过多尺度参数和描述符函数将单参数持续同调摘要扩展为多维表示，并证明其稳定性，在图分类基准上优于前沿方法。
2024-01-24 cs.AI cs.CG cs.LG
Aegis: A Correlation-Based Data Masking Advisor for Data Sharing Ecosystems
Indian Institute of Technology Delhi（印度理工学院德里）；New Jersey Institute of Technology（新泽西理工学院）
本文提出中间件框架 Aegis，通过基于迭代比例拟合的联合分布估计器量化特征与类标签相关性，在满足隐私约束下高效选择保留最大效用的数据掩码配置，速度提升超一个数量级且下游性能与基线相当。
2025-11-04 cs.DB cs.LG
Joint Time Series Chain: Detecting Unusual Evolving Trend across Time Series
Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系）；TD Analytics and Technology Automation, Intel Corporation（英特尔公司技术分析与自动化部门）
本文提出联合时间序列链方法，用于在中断或相关时间序列中检测异常演变趋势，并通过实验验证其有效性。
2026-02-14 cs.LG
DTW+S: Shape-based Comparison of Time-series with Ordered Local Trend
University of Southern California（南加州大学）
提出DTW+S方法，通过构建保近矩阵表示时间序列局部趋势并应用DTW计算距离，有效捕捉有序局部趋势相似性，在流行病曲线聚类、集成构建和分类任务中表现优于基线方法。
2024-12-18 cs.AI cs.LG
Time-Aware Knowledge Representations of Dynamic Objects with Multidimensional Persistence
University of Texas at Dallas（德克萨斯大学达拉斯分校）；West Virginia University（西弗吉尼亚大学）；Temple University（天普大学）
提出 Temporal MultiPersistence（TMP）时间感知拓扑表示，融合多持续与锯齿持续同调，为动态对象生成多维指纹，并在有限数据预测中取得竞争力且计算效率最高提升59.5倍。
2024-01-24 cs.AI cs.LG
