A Review on Self-Supervised Learning for Time Series Anomaly Detection: Recent Advances and Open Challenges
University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU）；Basque Center for Applied Mathematics (BCAM)（巴斯克应用数学中心）
本文综述了时间序列异常检测中自监督学习的最新方法，提出分类体系以理解其多样性，并提供GitHub仓库供后续更新。
2025-07-29 cs.LG stat.ML
Early Time-Series Classification Algorithms: An Empirical Comparison
Institute of Informatics and Telecommunications, NCSR ‘Demokritos’（“德谟克利特”国家科学研究中心信息与电信研究所）
早期时间序列分类（ETSC）是通过观察尽可能少的测量来预测输入时间序列的类别的任务。这种方法可以用于在许多时间关键的应用中获得分类预测。然而，可用的技术并不同样适用于每个问题，因为数据特征的差异可能会影响算法在早期性，准确性，F1分数和训练时间方面的性能。我们评估了现有的六个ETSC算法的公开数据，以及两个新引入的数据集来自生命科学和海洋领域。我们的目标是提供一个框架，ETSC算法的评估和比较，并获得直觉，这些方法如何在现实生活中的应用程序。所提出的框架也可以作为新的相关技术的基准。
2022-03-03 cs.AI cs.LG stat.ML
Early Classification of Time Series. Cost-based Optimization Criterion and Algorithms
Orange Labs（奥兰治实验室）；AgroParisTech（巴黎高科农业学院）；INRAe（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）
越来越多的应用需要尽可能快地识别输入时间序列的类别，而不会过度损害预测的准确性。在本文中，我们提出了一个新的优化准则，同时考虑到错误分类的成本和延迟的决策成本。基于这个优化标准，我们推导出一个家庭的非近视算法，试图预测预期的未来收益的信息与等待的成本平衡。在一类基于无监督的算法中，期望使用时间序列的聚类，而在第二类基于监督的算法中，时间序列根据用于标记它们的分类器的置信水平进行分组。在实际数据集上进行的大量实验表明，所提出的算法能够很好地解决早期性与准确性之间的权衡问题，基于监督的方法优于基于非监督的方法.此外，所有这些方法在各种条件下比基于近视策略的现有技术方法表现更好，该近视策略被认为是非常有竞争力的。
2021-03-24 cs.LG stat.ML
A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data
Key Laboratory of Machine Perception (Ministry of Education), Peking University（北京大学教育部机器感知重点实验室）；School of Electronics Engineering and Computer Science, Peking University（北京大学电子工程与计算机科学学院）；National Institute of Health Data Science, Peking University（北京大学国家健康数据科学研究院）；Institute of Medical Technology, Health Science Center, Peking University（北京大学医学部医学技术研究所）
不规则采样时间序列（ISTS）数据具有不规则的观测时间间隔和不同的采样率。ISTS通常出现在医疗保健，经济学和地球科学中。特别是在医疗环境中，广泛使用的电子健康档案（EHR）中含有大量典型的不规则采样医疗时间序列（ISMTS）数据。在EHR数据上开发深度学习方法对于个性化治疗、精确诊断和医疗管理至关重要。然而，直接将深度学习模型用于ISMTS数据具有挑战性。一方面，ISMTS数据具有系列内和系列间的关系。地方和全球结构都应予以考虑。另一方面，方法应考虑任务精度和模型复杂性之间的权衡，并保持通用性和可解释性。到目前为止，已有的许多工作都试图解决上述问题，并取得了良好的效果。本文从技术和任务的角度对这些深度学习方法进行了综述。在技术驱动的视角下，我们将其归纳为两类：基于缺失数据的方法和基于原始数据的方法。在任务驱动的视角下，我们还将其归纳为两大类--数据估算导向型和下游任务导向型。对于每一种方法，我们都指出了它们的优点和缺点。此外，我们实现了一些有代表性的方法，并在四个医疗数据集上进行了比较。最后，我们讨论了这一领域的挑战和机遇。
2020-10-26 cs.LG stat.ML
A Review of Network Inference Techniques for Neural Activation Time Series
University of Houston（休斯顿大学）
研究神经连接被认为是现代神经科学中最有前途和最具挑战性的领域之一。认知的基础隐藏在神经元相互作用的方式中。然而，我们在微观水平上研究真实神经连接的实验方法仍然是艰巨和昂贵的。一种有效的替代方案是使用计算方法基于神经元激活来推断连接性。一种可靠的网络推理方法，不仅可以促进神经回路的研究，而不需要费力的实验，而且还可以揭示大脑的潜在机制。在这项工作中，我们进行了审查的方法，神经回路推理给定的激活时间序列的神经人口。从机器学习的角度出发，将其分为无监督学习和有监督学习。该方法是基于相关性度量，概率点过程，和神经网络。此外，我们增加了一个数据挖掘方法的启发影响估计在社交网络作为一个新的监督学习方法。为了进行比较，我们使用了小版本的Chalearn Connectomics竞赛，它伴随着神经元之间的地面真实连接。实验表明，无监督学习方法的性能更好，然而，有监督的方法可以超过他们有足够的数据和资源。
2018-06-20 cs.LG stat.ML
Financial Time Series Forecasting with Deep Learning : A Systematic Literature Review: 2005-2019
TOBB University of Economics and Technology（TOBB经济与技术大学）
金融时间序列预测由于其广泛的应用领域和巨大的影响力，无疑是学术界和金融业金融研究人员的首选计算智能。机器学习（ML）研究人员提出了各种模型，并相应地发表了大量研究。因此，有大量的调查涵盖了ML的金融时间序列预测研究。最近，深度学习（DL）模型开始出现在该领域，其结果显着优于传统的ML同行。尽管人们对开发金融时间序列预测研究模型的兴趣越来越大，但缺乏专门针对金融DL的综述论文。因此，我们在本文中的动机是提供一个全面的文献综述DL研究的金融时间序列预测的实现。我们不仅根据预期的预测实施领域（如指数、外汇、商品预测）对研究进行分类，还根据DL模型选择（如卷积神经网络（CNN）、深度信念网络（DBN）、长短期记忆（LSTM））对研究进行分组。我们还试图通过强调可能的挫折和机遇来展望该领域的未来，以便感兴趣的研究人员能够受益。
2019-11-29 cs.LG q-fin.CP stat.ML
Granger Causality: A Review and Recent Advances
University of Washington（华盛顿大学）
格兰杰因果关系在半个多世纪前被引入，已经成为分析时间序列数据的流行工具，在许多应用领域，从经济学和金融到基因组学和神经科学。尽管这种流行，这个概念的有效性推断之间的因果关系的时间序列一直是持续辩论的话题。此外，虽然最初的定义是通用的，但计算工具的限制主要限制了格兰杰因果关系在简单的二元向量自回归过程或一组变量之间的成对关系中的应用。本文首先回顾了早期的发展和争论，讨论了最近的进展，解决了各种早期方法的缺点，从高维时间序列模型到最近的发展，考虑到非线性和非高斯观测，并允许子采样和混合频率时间序列。
2021-05-07 cs.LG stat.ME stat.ML
Hankel low-rank approximation and completion in time series analysis and forecasting: a brief review
在本文中，我们提供了一个审查和参考书目的工作汉克尔低秩近似和完成，特别强调如何使用这种方法可以用于时间序列分析和预测。我们首先描述可能的配方的问题，并提供评论相关的主题和挑战，在获得全球最优解。关键定理提供，并关闭一些简要的例子。
2022-06-10 cs.NA math.NA stat.ME
Dive into Time-Series Anomaly Detection: A Decade Review
Inria（法国国家信息与自动化研究所）；DI ENS（巴黎高等师范学院数字研究所）；PSL（巴黎文理研究大学）；CNRS（法国国家科学研究中心）；The Ohio State University（俄亥俄州立大学）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文综述了近十年时间序列异常检测研究，提出以过程为中心的分类法对现有方法进行系统归类，并通过文献元分析总结该领域的主要发展趋势。
2024-12-29 cs.AI cs.DB cs.LG
A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition
Université Libre de Bruxelles（布鲁塞尔自由大学）；Cairo University（开罗大学）
多步预测仍然是时间序列预测中的一个公开挑战。处理这个复杂问题的几种方法已经在文献中提出，但大量的任务上的广泛比较仍然缺失。本文旨在通过回顾现有的多步预测策略，并在理论和实践方面进行比较，以填补这一空白。为了实现这样的目标，我们使用大型实验基准（即NN5预测竞赛的111系列）对这些不同的策略进行了大规模比较。此外，我们考虑了去季节化，输入变量的选择和预测组合对这些策略和多步提前预测的影响。以下三个发现似乎是一致的实验结果支持：多输出策略是最好的表现方法，去季节化导致统一提高预测精度，输入选择是更有效的，当与去季节化一起执行。
2011-08-16 cs.AI cs.LG stat.AP
Deep learning for time series classification: a review
Université Haute Alsace（上阿尔萨斯大学）；Monash University（莫纳什大学）
时间序列分类是数据采掘中一个重要而又具有挑战性的问题。随着时间序列数据可用性的提高，人们提出了数百种TSC算法。在这些方法中，只有少数考虑使用深度神经网络（DNN）来执行此任务。这是令人惊讶的，因为深度学习在过去几年中已经看到了非常成功的应用。DNN确实彻底改变了计算机视觉领域，特别是随着残差和卷积神经网络等新型更深层次架构的出现。除了图像之外，文本和音频等序列数据也可以使用DNN进行处理，以达到文档分类和语音识别的最新性能。在本文中，我们通过对最新的TSC DNN架构进行实证研究，研究了TSC深度学习算法的当前最先进性能。我们给出了一个概述的最成功的深度学习应用程序在各种时间序列域的统一分类的DNN TSC。我们还为TSC社区提供了一个开源的深度学习框架，我们在其中实现了每种比较方法，并在单变量TSC基准（UCR/UEA存档）和12个多变量时间序列数据集上对其进行了评估。通过在97个时间序列数据集上训练8,730个深度学习模型，我们提出了迄今为止对TSC DNN最详尽的研究。
2019-05-14 cs.AI cs.LG stat.ML
An Updated Literature Review of Distance Correlation and its Applications to Time Series
距离协方差/相关性的概念是最近提出来表征随机变量向量之间的相关性。我们回顾了一些统计方面的距离协方差/相关函数，我们证明了它的适用性时间序列分析。我们将看到，自距离协方差/相关函数能够识别非线性关系，并且可以用于测试i.i.d.。假说.与其他依赖措施的比较。
2018-07-12 stat.ME
Time Series Data Augmentation for Deep Learning: A Survey
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Alibaba Group（阿里巴巴集团）；Twitter（推特）
最近，深度学习在许多时间序列分析任务上表现得非常好。深度神经网络的优越性能在很大程度上依赖于大量的训练数据来避免过拟合。然而，许多现实世界的时间序列应用的标记数据可能是有限的，如医疗时间序列中的分类和AIOps中的异常检测。作为提高训练数据规模和质量的有效方法，数据增强对于深度学习模型在时间序列数据上的成功应用至关重要。在本文中，我们系统地回顾了不同的数据增强方法的时间序列。我们提出了一个分类法的审查方法，然后提供了一个结构化的审查，这些方法突出自己的优势和局限性。我们还根据经验比较了不同任务的不同数据增强方法，包括时间序列分类，异常检测和预测。最后，我们讨论并强调了未来的五个方向，以提供有用的研究指导。
2022-03-31 cs.LG eess.SP stat.ML
A Review of the Long Horizon Forecasting Problem in Time Series Analysis
CSE Department, Shiv Nadar University Chennai（谢赫纳德大学计算机科学与工程系）
本文综述了时间序列中长期预测问题，总结了深度学习在特征构建、分解和窗口化方面的进展，并通过ETTm2数据集上的消融实验揭示了误差传播特性。
2026-09-09 cs.ET cs.LG cs.PF
A review and comparative study on functional time series techniques
本文回顾了在函数时间序列的背景下，当考虑Hilbert空间和巴拿赫空间时，特别是在一阶自回归过程（ARH（1）和ARB（1）过程，H和B分别是Hilbert空间和巴拿赫空间）的背景下，得到的主要估计和预测结果。特别是，我们注意的估计和预测结果，统计检验，在参数和非参数框架。不同的ARH（1）预测方法之间的比较研究，在模拟研究中进行。
2017-06-20 math.FA math.HO math.ST
Multivariate Time-series Similarity Assessment via Unsupervised Representation Learning and Stratified Locality Sensitive Hashing: Application to Early Acute Hypotensive Episode Detection
Rochester Institute of Technology（罗切斯特理工学院）；Massachusetts Institute of Technology（麻省理工学院）；Philips Research North America（飞利浦北美研究院）
及时预测重症监护室（ICU）中的临床危重事件对提高护理水平和生存率具有重要意义。大多数现有的方法都是基于对从生命信号中明确提取的统计特征的各种分类方法的应用。在这项工作中，我们建议消除高成本的工程手工制作的功能，从多变量时间序列的生理信号，通过学习他们的表示与序列到序列的自动编码器。然后，我们建议对学习到的表示进行散列，以使信号相似性评估能够预测关键事件。我们应用这种方法框架来预测急性低血压性脑卒中（AHE）的生命信号记录的大型和多样化的数据集。实验证明了所提出的框架在准确预测即将到来的AHE的能力。
2018-12-04 cs.AI cs.CV stat.ML
Bayesian identification of early warning signals for long-range dependent climatic time series
UiT The Arctic University of Norway（挪威北极大学）
本文提出了一种贝叶斯方法，用于检测长期依赖气候时间序列中的早期预警信号，通过分析自相关和方差的变化，评估其在真实数据中的有效性。
2026-02-10 stat.ME
Good Practices and Common Pitfalls in Climate Time Series Changepoint Techniques: A Review
气候变点（均质化）方法今天比比皆是，在气候和统计文献中存在无数的技术。不幸的是，许多人仍然不清楚使用适当的变点技术。更复杂的问题是，变点结论对假设中的小扰动不具有鲁棒性;例如，考虑到序列中的趋势或相关性可能会大大改变结论。本文是对变点主题的回顾，重点是阐明允许科学家做出可靠结论的模型和技术。通过实际应用证明了要避免的陷阱。论述首先叙述了大多数气候时间序列的显著统计特征。此后，单和多变点问题被认为是。在此过程中讨论了几个陷阱，并推荐了良好做法。虽然我们的大多数应用涉及温度系列，但也提到了其他设置。
2022-12-06 stat.AP
Testing for explosive bubbles: a review
本文综述了时间序列中爆炸气泡的检测方法。大量的最近开发的测试方法下的各种假设创新的错误。审查还考虑了爆炸（气泡）制度的方法。特别注意的是致力于随时间变化的波动性的错误。此外，建模与爆炸制度的时间序列之间可能存在的关系进行了讨论。
2022-07-17 econ.EM stat.AP stat.ME
Multivariate Count Time Series Modelling
本文综述了自回归模型在多变量计数时间序列分析中的应用。在这样做时，我们讨论了一个合适的分布的向量计数随机变量的选择。本文综述了多元计数时间序列分析的三种主要方法：（a）整数自回归过程，（b）参数驱动模型和（c）观测驱动模型。这项工作的目的是突出一些最近的方法发展，并提出一些潜在的有用的研究课题。
2021-09-19 stat.ME
Some recent trends in embeddings of time series and dynamic networks
本文综述了时间序列嵌入和动态网络嵌入的最新进展。我们从传统的主成分开始，然后看看时间序列的动态因子模型的扩展。与时间序列的主成分不同，关于时变非线性嵌入的文献相当稀少。文献中最有前途的方法是基于神经网络的，并且最近在预测比赛中表现良好。我们还触及拓扑数据分析中不同形式的动力学。本文的最后一部分涉及动态网络的嵌入，我们认为现有理论与大多数现实世界网络的行为之间存在差距。我们用两个模拟的例子来说明我们的评论。在整个审查中，我们强调静态和动态的情况下，并指出几个开放的问题，在动态的情况下之间的差异。
2022-12-16 stat.ME
Tipping point analysis of electrical resistance data with early warning signals of failure for predictive maintenance
我们将临界点分析应用于汽车或航空行业应用中常用的电子元件的测量，并根据电阻时间序列的缩放特性展示预警信号。该分析利用统计物理框架与随机建模，通过将测量的时间序列表示为从测量估计的确定性和随机性分量的组成。早期预警信号的观察比那些从传统技术，如基于阈值的故障检测，或在威布尔故障分析中使用的批量估计。所介绍的技术可能是有用的电力电子设备的预测性维护，与工业应用。我们建议，这种方法可以应用到各种电力系统和能源应用中的电磁测量。
2020-07-28 physics.data-an physics.soc-ph stat.AP
Causality indices for bivariate time series data: a comparative review of performance
多变量纵向数据之间的非线性和非对称因果关系的推断是一项具有挑战性的任务，具有广泛的应用领域，包括临床医学，数学生物学，经济学和环境研究。在复杂动态和随机系统中，因果关系的推断方法很多，但至今还没有一个统一一致的因果关系定义。我们评估了10个突出的双变量因果关系指数的时间序列数据的性能，在四个模拟模型系统，具有不同的耦合方案和特点。在进一步的实验中，我们表明，这些方法可能并不总是不变的真实世界的相关转换（数据的可用性，标准化和缩放，舍入误差，缺失数据和噪声数据）。我们建议转移熵和非线性格兰杰因果关系可能是特别强大的指标，估计在现实世界中的应用二元因果关系。最后，我们提供了灵活的开放访问Python代码，用于计算这些方法和模型模拟。
2021-07-14 math.DS stat.ME
Automated Machine Learning -- a brief review at the end of the early years
Computer Science Department Instituto Nacional de Astrof\'isica, \'Optica y Electr\'onica, Tonanzintla, Puebla, 72840, Mexico
自动化机器学习（AutoML）是机器学习的子领域，其目的是在一定程度上自动化机器学习系统设计的所有阶段。在监督学习的背景下，AutoML涉及特征提取、预处理、模型设计和后处理。AutoML的主要贡献和成就在最近十年中已经发生。因此，我们现在正是回顾和认识我们所学到的东西的最佳时机。本章旨在总结AutoML早期的主要发现。更具体地说，在这一章中，AutoML的监督学习的介绍，并在这一领域的进展的历史回顾。同样，AutoML的主要范式进行了描述，并概述了研究机会。
2020-08-24 cs.LG stat.ML
Early Classification of Time Series is Meaningful
AgroParisTech（巴黎高科农业学院）；INRAe（法国国家农业、食品与环境研究院）；Université Paris-Saclay（巴黎萨克雷大学）；Orange Labs（Orange实验室）
鉴于时间序列在医疗、交通和金融等广泛应用中的重要性，已经提出了许多方法用于时间序列的早期分类。然而，最近保存在Arxiv上的预印本声称，近20年来对时间序列早期分类的所有研究都是无用的，或者至少是方向不明确的，因为严重缺乏坚实的基础。本文详细回答了作者提出的主要问题和误解，并提出了进一步拓展时间序列早期分类应用领域的方向。
2021-04-30 cs.LG
Earliness-Aware Deep Convolutional Networks for Early Time Series Classification
Duke University（杜克大学）；Purdue University（普渡大学）；IIT Kanpur（印度理工学院坎普尔分校）
我们提出了Earliness-Aware Deep Convolutional Networks（EA-ConvNets），这是一个端到端的深度学习框架，用于时间序列数据的早期分类。与大多数现有的时间序列数据早期分类方法不同，这些方法旨在解决这个问题，前提是假设有一组良好的预定义的（通常是手工制作的）功能，我们的框架可以联合执行功能学习（通过学习捕获每个时间序列中的显著特征的\emph{shapelets}的深层次），以及动态截断模型，以帮助我们的深度特征学习架构专注于每个时间序列的早期部分。因此，我们的框架能够做出高度可靠的早期预测，优于各种最先进的早期时间序列分类方法，同时与使用\emph{fully observed}时间序列数据的最先进的时间序列分类算法相比也具有竞争力。据我们所知，该框架是第一个在时间序列数据的早期分类背景下执行数据驱动（深度）特征学习的框架。我们在几个基准数据集上进行了一组全面的实验，结果表明，我们的方法比为早期时间序列分类设计的各种最先进的方法产生了更好的预测。除了获得高精度外，我们的实验还表明，学习到的基于深度形状的特征也具有高度的可解释性，可以帮助更好地理解时间序列数据的潜在特征。
2016-11-14 cs.LG
Stop&Hop: Early Classification of Irregular Time Series
Massachusetts Institute of Technology（麻省理工学院）；Worcester Polytechnic Institute（伍斯特理工学院）
早期的分类算法可以帮助用户更快地对机器学习模型的预测做出反应。例如，医院的早期预警系统可以让临床医生通过准确预测感染来改善患者的预后。虽然早期的分类系统正在迅速发展，但仍然存在一个重大差距：现有系统不考虑不规则的时间序列，这些时间序列在其观测之间存在不均匀且往往很长的差距。众所周知，此类系列在医疗保健等有影响力的领域非常普遍。我们弥合了这一差距，并研究不规则时间序列的早期分类，这是早期分类器的一个新设置，为更多现实世界的问题打开了大门。我们的解决方案Stop&Hop使用连续时间递归网络来实时的建模正在进行的不规则时间序列，而通过强化学习训练的不规则感知停止策略可以预测何时停止并对流式序列进行分类。通过采用实值步长，停止策略灵活地决定何时实时的停止正在进行的序列。通过这种方式，Stop&Hop无缝集成了观测时间中包含的信息，这是这种设置中早期分类的一个新的重要来源，具有时间序列值，为不规则时间序列提供早期分类。使用四个合成数据集和三个真实世界的数据集，我们证明了Stop&Hop始终比适应这个新问题的最先进的替代方案更早，更准确的预测。我们的代码可在https://github.com/thartvigsen/StopAndHop上公开获取。
2022-08-21 cs.LG
When is Early Classification of Time Series Meaningful?
University of California Riverside（加州大学河滨分校）
自二十年前提出以来，人们对时间序列的早期分类问题越来越感兴趣。这个问题将经典的时间序列分类推广到只看到目标模式的一些前缀后，我们是否可以以足够的准确度和置信度对时间序列子序列进行分类。这样做的想法是，较早的分类将使我们能够在一个有可能进行一些实际干预的领域立即采取行动。例如，这种干预可能是发出警报或在汽车中应用刹车。在这项工作中，我们提出了一个令人惊讶的主张。尽管有几十篇关于时间序列早期分类的论文，但尚不清楚它们中的任何一篇是否能在现实世界中发挥作用。问题不在于算法本身，而在于模糊和不明确的问题描述。基本上，所有算法都对问题做出了隐含的和毫无根据的假设，这将确保它们会受到假阳性和假阴性的困扰，即使它们的结果表明它们可以获得近乎完美的结果。我们将用新的见解和实验解释我们的发现，并向社区提供建议。
2022-09-03 cs.LG
Multivariate Time Series Early Classification Across Channel and Time Dimensions
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对多变量时间序列早期分类仅关注时间维度的问题，提出一种利用强化学习并引入约束的灵活流水线，将早期分类范式扩展至通道维度，在同等输入利用率下提升了准确率。
2023-06-26 cs.AI cs.LG
Classifiers With a Reject Option for Early Time-Series Classification
University of California（加利福尼亚大学）；Babes-Bolyai University（巴贝什-博利亚伊大学）
动态环境下时间序列数据的早期分类是信号处理中一个具有挑战性的重要问题。本文提出了一种具有拒绝选项的分类器架构，能够在线决策，而无需等待整个时间序列信号。其主要思想是尽可能早地以可接受的精度对气味/气体信号进行分类。该方法不使用分类器的后验概率，而是使用集合的“一致性”来决定是否接受或拒绝候选标签。将该算法应用于气味分类的生化问题，构建了一种新的电子鼻--Forefront-Nose。风洞实验台上的实验结果证实了鲁棒性的前鼻相比，标准分类器从早期和识别的角度。
2013-12-14 cs.CV cs.LG
A Review of Artificial Intelligence Technologies for Early Prediction of Alzheimer's Disease
School of Engineering, Lakehead University（湖首大学工程学院）
阿尔茨海默氏病（AD）是一种严重的大脑疾病，破坏记忆和大脑功能。AD可引起慢性、进行性、不可逆的认知功能减退和脑损伤。利用医学影像技术和计算机辅助算法对早期痴呆进行可靠有效的评估已成为重要的研究课题。这一趋势已经转移到现代人工智能（AI）技术，其动机是在图像分类和自然语言处理方面取得了深刻的成功。本文综述了深度学习算法在评估痴呆过程、诊断早期AD方面的最新研究，并讨论了该研究的前景。本文介绍了现代人工智能算法在AD诊断中的各种应用，包括卷积神经网络（CNN）、递归神经网络（RNN）、自动图像分割、自动编码器、图CNN（GCN）、包围学习和迁移学习。所提出的方法和它们的性能的优点和缺点进行了讨论。结论部分总结了主要的贡献和医学影像预处理技术在回顾性研究中的应用。最后，我们讨论了局限性和未来展望。
2020-12-22 cs.CV cs.LG eess.IV
Comparing Time-Series Analysis Approaches Utilized in Research Papers to Forecast COVID-19 Cases in Africa: A Literature Review
Persian Gulf University（波斯湾大学）
本文综述了用于预测非洲新冠疫情病例的时间序列分析方法，评估了不同模型的有效性和局限性，并探讨了未来改进方向。
2026-01-27 cs.LG
Computational and Robotic Models of Early Language Development: A Review
Inria（法国国家信息与自动化研究所）；Ensta ParisTech（国立高等先进技术学院巴黎高科）；Stanford University（斯坦福大学）；University of Bordeaux（波尔多大学）
我们回顾了早期语言学习和发展的计算和机器人模型。我们首先解释为什么以及如何使用这些模型来更好地理解儿童如何学习语言。我们认为，他们提供了具体的语言学习作为一个复杂的动态系统的理论，补充传统的心理学和语言学的方法。我们回顾了不同的建模形式主义，从机器学习和人工智能，如贝叶斯和神经网络方法的技术接地。然后，我们讨论了他们在理解语言发展的几个关键机制中的作用：跨情境统计学习，体现，情境社会互动，内在动机学习和文化进化。最后，我们讨论了未来的研究挑战，包括在现实环境中的语言习得的大规模实证数据建模。保留字：早期语言学习，计算和机器人模型，机器学习，发展，体现，社会互动，内在动机，自组织，动力系统，复杂性。
2019-03-25 cs.AI cs.CL cs.LG
Integrating Physiological Time Series and Clinical Notes with Transformer for Early Prediction of Sepsis
UC, Davis Health（加州大学戴维斯健康中心）；University of California, Santa Barbara（加州大学圣巴巴拉分校）
脓毒症是重症监护病房（ICU）的主要死亡原因。脓毒症的早期检测对患者的生存至关重要。在本文中，我们提出了一个多模式Transformer模型，用于早期脓毒症预测，使用生理时间序列数据和临床笔记，为每个病人在ICU入院$36$小时。具体而言，我们的目标是仅使用前12，18，24，30和36小时的实验室测量，生命体征，患者人口统计学和临床记录来预测脓毒症。我们在两个大型重症监护数据集上评估了我们的模型：MIMIC-III和eICU-CRD。所提出的方法与六个基线进行了比较。此外，进行消融分析和病例研究，以研究模型的每个单独组件的影响和每个数据模态对早期脓毒症预测的贡献。实验结果表明，我们的方法的有效性，它优于竞争基线的所有指标。
2022-03-28 cs.AI cs.LG
Early Classification of Time Series: A Survey and Benchmark
Orange Research（Orange研究）
本文针对时间序列早期分类（ECTS）领域缺乏统一评估基准的问题，梳理了解耦决策与预测组件的ECTS方法分类，开展9种SOTA算法的大规模对比实验，并开源集成相关算法的工具库。
2025-11-17 cs.LG
Alert: Learning Trigger Functions for Early Classification of Time Series using Deep-RL
Orange Innovation（奥兰治创新中心）；AgroParisTech（巴黎农艺学院）
针对时间序列早期分类的触发函数优化问题，提出Deep-RL框架Alert及变体Alert+，经30个数据集验证，Alert+在平衡准确率与延迟上优于传统方法，已发布支持研究与应用。
2026-09-01 cs.LG
Review of Data-centric Time Series Analysis from Sample, Feature, and Period
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
本文系统回顾了时间序列分析中以数据为中心的方法，基于数据特征提出分类法，并讨论各方法优缺点与未来研究机会。
2024-04-24 cs.AI cs.LG
Early Classification of Time Series in Non-Stationary Cost Regimes
Orange Research（Orange研究院）
本文研究了在非平稳成本环境下时间序列的早期分类问题，提出在线学习方法提升分类鲁棒性，实验证明强化学习策略在不同成本制度下表现稳定。
2026-04-03 cs.LG
Benefit-aware Early Prediction of Health Outcomes on Multivariate EEG Time Series
Carnegie Mellon University（卡内基梅隆大学）；Amazon Inc.（亚马逊公司）；National University of Singapore（新加坡国立大学）；University of Pittsburgh（匹兹堡大学）
针对ICU中脑电监测的早期预测问题，提出BeneFitter，通过统一效益目标实现早期性与准确性的权衡，支持多变量变长时间序列，训练线性且实时，节省多达2倍时间且准确率不降。
2021-11-11 cs.LG
FETERS: Few-Shot Early Time-Series Classification via Effective Ratio Selection
本文提出FETERS少样本早期时间序列分类框架，通过类留一法选停止比率、惩罚奖励函数平衡权衡，结合Rocket特征与Chronos表示，在69个数据集的5样本设置下达最优性能。
2026-08-18 cs.LG
MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction
Guangdong University of Technology（广东技术大学）；Women and Children's Medical Center of Southern Medical University（南方医科大学妇女儿童医疗中心）；Shenzhen Maternity and Child Healthcare Hospital（深圳妇幼保健医院）；Shenzhen BH-Energy Technology Co., Ltd.（深圳BH能源科技有限公司）；Hong Kong Baptist University（香港 Baptist大学）
针对早期脓毒症信号微弱难捕捉的问题，提出MEET-Sepsis框架，通过MERE多视图增强与CDTA多尺度时序注意力，仅用SOTA方法20%的监测时间即取得有竞争力的预测准确率。
2025-10-21 cs.AI cs.LG
End-to-end Early Classification of Time Series in Non-Stationary Environments
Orange Research（奥朗日研究中心）；AgroParisTech（巴黎高等农业工程师学院）
本研究针对非平稳环境下的时间序列早期分类问题，提出基于强化学习的DQeND端到端架构，联合学习表示、分类与触发决策，其鲁棒性和性能优于可分离基线，验证了端到端学习的优势。
2026-08-21 cs.LG
ChemTime: Rapid and Early Classification for Multivariate Time Series Classification of Chemical Sensors
Worcester Polytechnic Institute（伍斯特理工学院）；U.S. Army DEVCOM Soldier Center（美国陆军DEVCOM士兵中心）
针对化学电阻传感器阵列的化学检测需求，该研究调研相关分类方法，提出新型ChemTime多变量时间序列分类方法，在保证轻量设备性能的同时实现快速早期分类与高精度。
2023-12-15 cs.LG q-bio.QM
Review of Time Series Forecasting Methods and Their Applications to Particle Accelerators
ETH Zurich（苏黎世联邦理工学院）；Paul Scherrer Institute（保罗·谢勒研究所）
粒子加速器是一种复杂的设备，它产生大量结构化数据，并具有明确的优化目标以及精确定义的控制要求。因此，它们自然适合数据驱动的研究方法。来自加速器内部的传感器和监视器的数据形成多变量时间序列。随着快速抢占式方法在加速器控制和诊断中的高度优先选择，数据驱动的时间序列预测方法的应用特别有前途。本文综述了时间序列预测问题，并总结了现有的模型在各个科学领域的应用。介绍了粒子加速器领域目前和未来的几种尝试。时间序列预测在粒子加速器中的应用已经显示出令人鼓舞的结果和更广泛应用的前景，并且已经开始解决诸如数据一致性和兼容性之类的现有问题。
2022-09-21 cs.LG physics.acc-ph physics.data-an
A Review on Generative AI Models for Synthetic Medical Text, Time Series, and Longitudinal Data
Mälardalen University（梅拉达伦大学）；Servicehälsan Familjeläkare i Västerås AB（韦斯特罗斯家庭医生服务公司）；Turku University of Applied Sciences（图尔库应用科技大学）；Linköping University（林雪平大学）
本文综述了52项研究，系统梳理了生成医学文本、时间序列和纵向数据三类合成健康记录的生成式AI模型，指出隐私保护是主要目标，并揭示缺乏可靠的再识别风险评估指标是当前主要研究空白。
2024-11-19 cs.CL cs.LG
Label-efficient Time Series Representation Learning: A Review
Institute for Infocomm Research, Agency for Science, Technology and Research（新加坡科技研究局信息通信研究院）；Centre for Frontier AI Research, Agency for Science, Technology and Research（新加坡科技研究局前沿人工智能研究院）；School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
本综述首次提出基于是否依赖外部数据源的新颖分类法，将标签高效的时间序列表示学习方法分为域内与跨域，回顾了迁移学习等策略的最新进展，总结了局限性并指明了未来研究方向。
2024-07-24 cs.LG
AI for the prediction of early stages of Alzheimer's disease from neuroimaging biomarkers -- A narrative review of a growing field
University of Iowa（爱荷华大学）；University of Iowa Hospitals and Clinics（爱荷华大学医院与诊所）；University of Turku（图尔库大学）；Turku University Hospital（图尔库大学医院）
本叙述性综述总结了AI在神经影像学中用于早期阿尔茨海默病预测的应用现状，指出多模态和纵向研究优于单模态方法，并强调克服数据标准化与临床整合等挑战是实现AI潜力、造福患者和社会的关键。
2024-06-25 cs.AI cs.LG
Forecasting Anomaly Precursors via Uncertainty-Aware Time-Series Ensembles
Department of Industrial & Management Engineering, Korea University（韩国大学工业与管理工程系）；Department of Industrial Engineering, Seoul National University（首尔国立大学工业工程系）；LG CNS
FATE通过不确定性感知的时间序列集成方法，有效检测异常前兆，无需异常标签，在多个数据集上取得显著提升。
2026-02-19 cs.AI cs.LG
Early Prediction for Merged vs Abandoned Code Changes in Modern Code Reviews
Bangladesh University of Engineering and Technology（孟加拉国工程技术大学）；University of California, Davis（加利福尼亚大学戴维斯分校）；University of Calgary（卡尔加里大学）
现代代码评审过程是当前软件开发实践的一个组成部分。这里付出了相当大的努力来检查代码更改，发现缺陷，提出改进建议，并处理评审人员的建议。在代码审查过程中，通常会进行多次迭代，作者提交代码更改，审查者提供反馈，直到乐于接受更改。在大约12%的情况下，更改被放弃，最终浪费了所有的努力。在这项研究中，我们的目标是设计一个工具，可以预测代码更改是否会在早期阶段被合并或放弃，以减少所有利益相关者（例如，程序作者、评审员、项目管理人员等）涉案Fan等人的一项研究正式确定了现实世界对此类工具的需求。[1]。我们已经从三个大型和流行的开源软件的代码审查中挖掘了146，612个代码更改，并训练和测试了一套基于浅层和深度学习的监督机器学习分类器。在模型的训练和测试过程中，我们在每次代码更改中总共考虑了25个功能。性能最好的模型名为PredCR（预测代码审查），一个基于LightGBM的分类器平均达到约85%的AUC分数，并相对提高了14- 23%的最新技术水平。在我们对来自三个软件项目的146，612个代码更改的实证研究中，我们发现（1）PredCR中引入的审阅者维度等新功能信息量最大。(2)与基线相比，PredCR更有效地减少了对新开发者的偏见。(3)PredCR使用代码评审存储库中的历史数据，因此，随着软件系统使用新的和更多的数据而发展，PredCR的性能也会提高。
2021-08-30 cs.LG cs.SE
Time Series Embedding Methods for Classification Tasks: A Review
Department of Computer Science（计算机科学系）；Texas State University（德克萨斯州立大学）；San Marcos, TX 78666
本综述系统分类并定量评估了时间序列嵌入方法，发现其性能因数据集和分类算法而异，并提供开源代码库以指导实际应用。
2025-05-25 cs.LG
XMTC: Explainable Early Classification of Multivariate Time Series in Reach-to-Grasp Hand Kinematics
University of Münster（明斯特大学）；Saarland University（萨尔大学）
本文提出XMTC工具，通过集成多机器学习方法和多视图可视化，在伸手抓握动作中实现多变量时间序列的可解释早期分类，并验证了其在真实HCI数据上的有效性。
2025-02-06 cs.GR cs.HC cs.LG
Review of automated time series forecasting pipelines
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；RWTH Aachen University（亚琛工业大学）；Forschungszentrum Jülich GmbH（于利希研究中心有限公司）
时间序列预测是不同领域（如能源系统和经济学）各种用例的基础。为特定用例创建预测模型需要一个迭代且复杂的设计过程。典型的设计过程包括五个部分（1）数据预处理，（2）特征工程，（3）超参数优化，（4）预测方法选择，和（5）预测集成，它们通常被组织在流水线结构中。一个有前途的方法来处理不断增长的需求，时间序列预测是自动化的设计过程。因此，本文分析了现有的文献自动化时间序列预测管道，研究如何自动化的预测模型的设计过程。因此，我们在单个预测管道中考虑自动机器学习（AutoML）和自动统计预测方法。为此，我们首先提出并比较了建议的自动化方法，为每个管道部分。其次，我们分析了自动化方法的相互作用，组合和覆盖的五个管道部分。对于这两个，我们讨论的文献，找出问题，给出建议，并建议未来的研究。这一审查表明，大多数文件只涉及五个管道部分中的两个或三个。我们的结论是，未来的研究必须从整体上考虑预测管道的自动化，以实现时间序列预测的大规模应用。
2022-02-03 cs.LG
Event-Based Early Warning of Vineyard Disease Risk from Environmental Time Series
Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University（圣西里尔与美多德大学计算机科学与工程学院）
本文提出基于事件的环境时间序列预警方法，将葡萄园病害预测重构为未来3-7天风险期转变预测，评估多种模型，验证其支持短时预警并优于传统每日分类。
2026-09-23 cs.LG
Unsupervised Representation Learning for Time Series: A Review
Shandong University（山东大学）；A*STAR（新加坡科技研究局）；Nanyang Technological University（南洋理工大学）
本文系统综述了时间序列无监督表示学习方法，开发了统一标准化库ULTS，并在9个真实数据集上评估了多种先进方法，探讨了实际考量与未来研究挑战。
2023-08-03 cs.AI cs.LG
