Chronax: A Jax Library for Forecasting and Conformal Inference
Simulacrum New York City, NY, USA（Simulacrum 纽约市纽约州）
Chronax利用JAX的函数式纯度和可组合转换，实现可扩展的多系列预测和模型无关的符合不确定性量化，提升预测系统的效率和可整合性。
2026-10-06 cs.LG
Impact of Deep Learning Libraries on Online Adaptive Lightweight Time Series Anomaly Detection
Hogskulen pa Vestlandet (HVL)（西挪威大学学院）；Norwegian University of Science and Technology（挪威科技大学）
本文研究深度学习库对在线自适应轻量级时间序列异常检测的影响，通过两种先进方法在三个库中的实现与四个真实数据集上的实验，为选择合适库提供参考。
2023-05-10 cs.LG
GluonTS: Probabilistic Time Series Models in Python
Amazon Web Services（亚马逊云科技）
我们介绍Gluon Time Series（GluonTS，可在https://gluon-ts.mxnet.io上获得），这是一个基于深度学习的时间序列建模库。GluonTS简化了用于预测或异常检测等常见任务的时间序列模型的开发和实验。它提供了科学家快速构建新模型、有效运行和分析实验以及评估模型准确性所需的所有必要组件和工具。
2019-06-14 cs.LG stat.ML
Flow map learning in nonlinear vector autoregressive models: influence of the feature-library structure on the training error
Institute for AI Safety and Security, German Aerospace Center (DLR)（人工智能安全与保密研究所，德国航空航天中心（DLR））
研究非线性向量自回归模型（NVAR/NG-RC）中特征库结构如何影响训练误差，揭示了训练误差随时间分辨率遵循的标度律，并指出特征库能否精确表示流映射的Lie级数系数决定了误差行为。
2026-05-29 cs.LG
Darts: User-Friendly Modern Machine Learning for Time Series
Unit8 SA（Unit8公司）
我们介绍了Darts，一个用于时间序列的Python机器学习库，重点是预测。Darts提供了各种模型，从经典的ARIMA到最先进的深度神经网络。该库的重点是提供现代机器学习功能，例如支持多维系列，多系列元学习，大型数据集训练，整合外部数据，集成模型，并为概率预测提供丰富的支持。与此同时，API的设计非常小心，使其用户友好和易于使用。例如，所有模型都可以使用fit（）/predict（）来使用，类似于scikit-learn。
2022-05-19 cs.LG stat.CO
sktime: A Unified Interface for Machine Learning with Time Series
The Alan Turing Institute（艾伦·图灵研究所）；University of East Anglia（东英吉利大学）；University College London（伦敦大学学院）
我们介绍sktime -一个新的scikit-learn兼容Python库，具有统一的接口，用于时间序列的机器学习。时间序列数据产生了各种不同但密切相关的学习任务，例如预测和时间序列分类，其中许多可以通过将其简化为相关的简单任务来解决。我们讨论了创建统一接口的主要理由，包括减少，以及sktime的核心API的设计，由常见的时间序列任务和减少方法的清晰概述支持。
2019-09-17 cs.LG stat.ML
catch22: CAnonical Time-series CHaracteristics
Imperial College London（帝国理工学院）；Sydney University（悉尼大学）
将时间序列的动态特性简洁地捕获为可解释的特征向量可以为跨科学和工业的时间序列应用提供有效的聚类和分类。为给定的应用程序选择一个合适的基于特征的时间序列表示可以通过系统地比较一个综合的时间序列特征库来实现，比如hctsa工具箱中的那些。然而，这种方法在计算上是昂贵的，并涉及评估许多类似的功能，限制了广泛采用的基于特征的表示的时间序列的现实世界的应用。在这项工作中，我们引入了一种方法来推断小的时间序列特征集，（i）在给定的时间序列问题集合中表现出很强的分类性能，（ii）冗余度最小。将我们的方法应用于一组93个时间序列分类数据集（包含超过147000个时间序列），并使用hctsa特征库（4791个特征）的过滤版本，我们引入了一组通用的22个CAnonical时间序列特征，catch22。这种维数从4791降到22，与计算时间减少约1000倍和时间序列长度接近线性缩放相关，尽管分类准确度平均降低仅7%。catch22捕捉到时间序列在其属性方面的多样和可解释的特征，包括线性和非线性自相关、连续差异、值分布和异常值以及波动缩放属性。我们提供了一个有效的实现catch22，可从许多编程环境，促进基于功能的时间序列分析，科学，工业，金融和医疗应用程序使用一个共同的语言的可解释的时间序列属性。
2019-01-30 cs.IR cs.LG stat.ML
tegdet: An extensible Python Library for Anomaly Detection using Time-Evolving Graphs
Universidad de Zaragoza（萨拉戈萨大学）；Hiberus（Hiberus公司）
本文提出了一种新的Python库，用于无监督学习方法中的异常检测。库的输入是表示给定现象的观测的单变量时间序列。然后，它可以识别异常时期，即，时间间隔，其中观测值高于由相异性度量定义的基线分布的给定百分位数。使用时间演变图进行异常检测，该库利用数据之间的相互依赖关系提供的有价值的信息。目前，该库实现了28种不同的相异度度量，并且它被设计为可以轻松地扩展新的度量。通过API，该库公开了一个完整的功能来执行异常检测。总而言之，据我们所知，该库是唯一一个公开可用的库，基于动态图，可以使用其他最先进的异常检测技术进行扩展。我们的实验表明，关于算法的执行时间和所实现的技术的准确性有希望的结果。此外，该文件提供了设置检测器的参数，以提高其性能和预测精度的指导方针。
2022-10-17 cs.LG
Time-Series Forecasting, Knowledge Distillation, and Refinement within a Multimodal PDE Foundation Model
Montana State University（蒙大拿州立大学）；Carnegie Mellon University（卡内基梅隆大学）；Florida State University（佛罗里达州立大学）；UCLA（加利福尼亚大学洛杉矶分校）
本文提出基于SymPy的符号标记库作为额外模态，结合贝叶斯滤波细化，实现低成本、自动化的多模态偏微分方程时间序列预测，提升精度。
2024-09-17 cs.LG
SSM: Inference for time series analysis with State Space Models
开源库SSM背后的主要动机是减少技术摩擦，这些摩擦阻止建模人员共享他们的工作，在危机情况下快速迭代，并使他们的工作直接被公共当局用于决策。
2014-02-16 stat.CO
What-If Explanations Over Time: Counterfactuals for Time Series Classification
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文综述了时间序列分类中反事实解释的最新算法，探讨了实例基于、模式驱动、梯度优化和生成模型等方法，分析了其挑战与局限，并提出了未来研究方向。
2026-03-29 cs.AI cs.LG stat.ML
Seasonally-Adjusted Auto-Regression of Vector Time Series
Stanford University（斯坦福大学）
提出了一种简单的预测向量时间序列的算法，该算法在训练和推理中对缺失数据具有鲁棒性。它对季节性的年度、每周和每日基线以及季节性调整残差的高斯过程进行建模。我们开发了一个自定义截断特征分解，以适应低秩加块对角高斯内核。使用Schur补进行推理，使用Tikhonov正则化来防止过拟合，并使用Woodbury公式来有效地反转内核的子矩阵。推理需要在时间序列维度上线性的内存和计算量，因此模型可以扩展到非常大的数据集。我们还提出了一个简单的“贪婪”网格搜索自动超参数调整。该文件附有沙皇（即，时间序列自回归器），一个实现该算法的Python库。
2019-11-04 cs.LG math.OC stat.ML
Time-MMD: Multi-Domain Multimodal Dataset for Time Series Analysis
Georgia Institute of Technology（佐治亚理工学院）；Squirrel AI（松鼠AI）
针对现有时间序列分析忽视多模态信息的问题，提出首个多域多模态数据集Time-MMD及库MM-TSFlib，实验证明多模态可显著降低预测误差，推动TSA发展。
2025-01-24 cs.CL cs.LG
OML-AD: Online Machine Learning for Anomaly Detection in Time Series Data
Technische Universität Darmstadt（达姆施塔特工业大学）；FH Aachen - University of Applied Sciences（亚琛应用科学大学）
针对现有异常检测方法不适用于非平稳时间序列的问题，提出基于在线机器学习的OML-AD方法，在River库实现且准确率与计算效率均优于现有最优基线。
2024-09-15 cs.LG stat.ML
aeon: a Python toolkit for learning from time series
University of Southampton（南安普顿大学）；Université de Haute-Alsace（上阿尔萨斯大学）；ENSTA Paris（巴黎国立高等先进技术学院）；University of East Anglia（东英吉利大学）；University of Córdoba（科尔多瓦大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
本研究介绍了统一的Python 3时间序列机器学习库aeon，覆盖多类任务与工具，遵循scikit-learn API，通过可选依赖整合多类包，核心依赖精简，已迭代至v0.9.0版本。
2024-06-20 cs.LG
DeepProtein: Deep Learning Library and Benchmark for Protein Sequence Learning
Department of Computer Science ETH Zurich（计算机科学系 雪绒花大学）；National Key Laboratory for Novel Software Technology, School of Computer Science Nanjing University（新型软件技术国家重点实验室 计算机科学学院 南京大学）
本研究推出面向蛋白质相关任务的深度学习库DeepProtein与配套基准，提出基于Prot-T5微调的DeepProt-T5系列模型，在多项蛋白质任务上取得优异性能，库易用且支持可复现。
2025-04-06 cs.AI cs.LG q-bio.QM
Interpretable model-free inference of parametric variation across time-series data through large-scale feature extraction
The University of Sydney（悉尼大学）；Imperial College London（伦敦帝国理工学院）
提出一种无监督数据驱动方法，利用超过7000个时间序列特征库，从时间序列数据中推断未知生成过程的参数变化维度和性质，无需指定或拟合模型。
2026-06-12 physics.data-an q-bio.QM stat.ME
PyPOTS: A Python Toolkit for Machine Learning on Partially-Observed Time Series
PyPOTS Research（PyPOTS研究）
PyPOTS是一个开源Python工具包，针对部分观测时间序列提供插补、预测、异常检测、分类和聚类五类算法，强调鲁棒性与可扩展性，并遵循软件工程最佳实践。
2025-07-09 cs.LG stat.ML
Fixing the Pitfalls of Probabilistic Time-Series Forecasting Evaluation by Kernel Quadrature
Lattice Lab, Toyota Motor Corporation / Machine Learning Research Group, University of Oxford（丰田公司 lattice 实验室 / 机器学习研究组，牛津大学）；The University of Osaka / Lattice Lab, Toyota Motor Corporation / RIKEN AIP（大阪大学 / 丰田公司 lattice 实验室 / RIKEN AIP）；Machine Learning Research Group, University of Oxford（机器学习研究组，牛津大学）
针对概率时间序列预测中CRPS常用估计器存在固有偏差并导致模型排序不当的问题，提出利用无偏估计器与求容积构造的核求积方法，实现更准确且可扩展的CRPS计算。
2025-07-24 cs.LG stat.ML
TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series
Aalto University（阿尔托大学）；The University of Manchester（曼彻斯特大学）
针对时间序列数据稀缺敏感、难以共享及应用数据密集型方法的问题，提出开源框架TSGM，集成多种生成方法与多维度质量评估，支持扩展与命令行操作，经公开数据集和生产验证有效。
2024-07-09 cs.LG stat.ML
CrossAD: Time Series Anomaly Detection with Cross-scale Associations and Cross-window Modeling
East China Normal University（东华大学）；Shandong Inspur Database Technology Co., Ltd.（山东 Inspur 数据库技术有限公司）
CrossAD提出跨尺度重构与查询库机制，显式建模跨尺度关联并融入全局多尺度上下文，突破固定窗口限制，在多个真实数据集上以九种指标达到最先进异常检测性能。
2025-10-14 cs.LG stat.ML
ImputeGAP: A Comprehensive Library for Time Series Imputation
University of Fribourg（弗里堡大学）
ImputeGAP是一个综合性的时间序列插补库，支持多种插补方法和缺失数据模拟，提供自定义选项以提升时间序列数据预处理的效果。
2026-01-22 cs.DB cs.LG
LogAI: A Library for Log Analytics and Intelligence
Salesforce AI Research（赛富时人工智能研究院）
软件和系统日志记录有关在系统内执行的进程的运行时信息。这些日志已成为最关键和最普遍的可观察性数据形式，可帮助开发人员了解系统行为，监控系统健康状况并解决问题。然而，生成的日志量可能是巨大的（每天PB的数量级），特别是对于复杂的分布式系统，如云，搜索引擎，社交媒体等，这推动了大量关于开发基于AI的基于日志的分析和智能解决方案的研究，这些解决方案可以处理大量的原始日志并生成见解。为了使用户能够以统一的方式执行多种类型的基于AI的日志分析任务，我们引入了LogAI（https：//github.com/salesforce/logai），这是一个一站式的日志分析和智能开源库。LogAI支持日志汇总、日志聚类和日志异常检测等任务。它采用OpenTelemetry数据模型，可以兼容不同的日志管理平台。LogAI提供统一的模型接口，并提供流行的时间序列、统计学习和深度学习模型。除此之外，LogAI还为用户提供了一个开箱即用的GUI来进行交互式分析。使用LogAI，我们还可以轻松地对流行的深度学习算法进行基准测试，以进行日志异常检测，而无需花费多余的精力来处理日志。我们开源了LogAI，以满足广泛的应用，使学术研究和工业原型设计都受益。
2023-01-31 cs.AI cs.LG cs.SE
AutoGluon-TimeSeries: AutoML for Probabilistic Time Series Forecasting
Amazon Web Services（亚马逊云科技）；AWS AI Labs（AWS人工智能实验室）
本文提出开源AutoML库AutoGluon-TimeSeries，通过集成统计与机器学习模型，仅需3行代码即可实现高精度的概率时间序列预测，并在29个基准数据集上超越多种现有方法。
2023-08-10 cs.LG
Adaptive Fine-Tuning via Pattern Specialization for Deep Time Series Forecasting
Lamarr Institute for Machine Learning and AI（拉马尔机器学习与人工智能研究所）
本文提出一种基于模式特化的深度时间序列预测自适应微调框架，通过聚类提取主导模式并生成特化模型，结合概念漂移检测机制，在多种DNN架构上实现显著性能提升。
2025-08-11 cs.LG
mshw, a forecasting library to predict short-term electricity demand based on multiple seasonal Holt-Winters
Universitat Politècnica de València（瓦伦西亚理工大学）
本文提出MATLAB工具箱mshw，结合多重季节性Holt-Winters指数平滑与神经网络模型，并引入离散区间移动季节性以改进特殊日期预测，在欧洲多个电力系统中验证了其有效性。
2024-02-15 cs.LG econ.EM stat.AP
Unified Zero-Shot Time Series Forecasting: A Darts Foundation
针对基础模型接口碎片化问题，Darts 开发了统一 FoundationModel 类集合，提供标准化全周期预测接口，实现零样本或微调预测、不确定性估计和回测。
2026-06-29 cs.LG
Multivariate de Bruijn Graphs: A Symbolic Graph Framework for Time Series Forecasting
Department of Computer Science, Indiana University Bloomington, IN, USA（印第安纳大学布卢明顿分校计算机科学系）；College of Science and Engineering, Hamad Bin Khalifa University, Doha, Qatar（哈马德·本·卡西姆大学科学与工程学院）；Department of Computer Science, University of Illinois Springfield, IL, USA（伊利诺伊大学斯普林菲尔德分校计算机科学系）
本文提出DRAGON编码器，通过引入多元德布鲁因图将连续时间序列离散化并映射到固定图结构，以符号化结构感知表示增强CNN编码器，从而提升时间序列预测性能。
2025-07-03 cs.LG
tsBNgen: A Python Library to Generate Time Series Data from an Arbitrary Dynamic Bayesian Network Structure
UCLA University（加州大学洛杉矶分校）
合成数据广泛应用于各个领域。这是因为许多现代算法需要大量的数据来进行有效的训练，而数据汇集和标记通常是一个耗时的过程，并且容易出错。此外，一些真实世界的数据，由于其性质，是保密的，不能共享。贝叶斯网络是一种概率图模型，广泛用于模拟现实世界中的不确定性过程。动态贝叶斯网络是一类特殊的贝叶斯网络，它对时间和时间序列数据进行建模。在本文中，我们介绍了tsBNgen，一个Python库，用于基于任意动态贝叶斯网络生成时间序列和顺序数据。可以从https://github.com/manitadayon/tsBNgen下载软件包、文档和示例。
2020-09-09 cs.LG eess.SP
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
Time Series Forecasting via Learning Convolutionally Low-Rank Models
Southeast University（东南大学）
最近，Liu和Zhang从压缩感知的角度研究了时间序列预测这一颇具挑战性的问题。他们提出了一种无学习方法，称为卷积核范数最小化（CNNM），并证明了CNNM可以从其观测部分准确地恢复序列的未来部分，只要该序列是卷积低秩的。虽然令人印象深刻，但卷积低秩条件可能不会在序列远离季节性时得到满足，并且实际上对趋势和动态的存在很脆弱。本文试图通过将一个可学习的正交变换集成到CNNM中来解决这个问题，目的是将一系列渐开线结构转换为卷积低秩的规则信号。我们证明了所得到的模型，称为基于学习的CNNM（LbCNNM），严格成功地识别未来的一系列的一部分，只要该系列的变换是卷积低秩。为了学习可能满足所需成功条件的适当变换，我们设计了一种基于主成分追踪（PCP）的可解释方法。LbCNNM具备这种学习方法和一些精细的数据论证技巧，不仅可以很好地处理时间序列的主要成分（包括趋势，季节性和动态），而且可以利用其他预测方法提供的预测，这意味着LbCNNM可以用作模型组合的通用工具。对来自时间序列数据库（TSDL）和M4竞赛（M4）的100，452个真实时间序列的广泛实验证明了LbCNNM的优越性能。
2022-01-20 cs.AI cs.LG
Rapid Augmentations for Time Series (RATS): A High-Performance Library for Time Series Augmentation
Chair for Artificial Intelligence Methodology (AIM), Faculty of Computer Science, RWTH Aachen University, Aachen, Germany（人工智能方法学教授会（AIM），计算机科学系，亚琛RWTH大学，亚琛，德国）
RATS是一种用Rust开发的高性能时间序列增强库，通过统一接口和并行处理，实现多种增强方法，显著提升处理速度和效率。
2026-01-06 cs.AI cs.LG cs.PF
Time Interpret: a Unified Model Interpretability Library for Time Series
Babylon Health（巴比伦健康）；Skippr
本文介绍 time_interpret，一个基于 Captum 的统一时序模型可解释性库，提供特征归因、数据集、模型与评估工具，并发布多种配套的新归因方法。
2023-06-06 cs.AI cs.LG
Greykite: Deploying Flexible Forecasting at Scale at LinkedIn
LinkedIn Corporation（领英公司）
预测有助于企业分配资源和实现目标。在LinkedIn，产品负责人使用预测来设定业务目标，跟踪前景并监控健康状况。工程师使用预测来高效地调配硬件。开发满足这些需求的预测解决方案需要对不同的时间序列进行准确和可解释的预测，频率从每小时到每季度。我们介绍Greykite，这是一个用于预测的开源Python库，已在LinkedIn上部署了20多个用例。其旗舰算法Silverkite提供了可解释的，快速的，高度灵活的单变量预测，可以捕捉时变增长和季节性，自相关，假期和回归等影响。该库通过促进数据探索、模型配置、执行和解释来实现自助服务的准确性和可信度。我们的基准测试结果显示，在来自各个领域的数据集上都具有出色的开箱即用速度和准确性。在过去的两年中，Greykite预测得到了财务，工程和产品团队的信任，用于资源规划和分配，目标设定和进度跟踪，异常检测和根本原因分析。我们希望Greykite对具有类似应用程序的预测从业者有用，这些应用程序需要准确，可解释的预测，以捕捉与人类活动相关的时间序列中常见的复杂动态。
2022-07-15 cs.LG stat.ME
fev-bench: A Realistic Benchmark for Time Series Forecasting
AWS（亚马逊云服务）；Keystone AI；Prior Labs；Amazon（亚马逊）；Boston College（波士顿学院）
提出包含100个任务（46个含协变量）的跨领域基准fev-bench，并开发轻量级Python库fev，通过自举置信区间实现原则性聚合，评估预训练、统计和基线模型。
2026-11-05 cs.LG
Burn-in-Free Simulation of VARMA Time Series
University of Iceland（冰岛大学）
研究开发了无需烧失期的VARMA时间序列模拟软件包Varmapack，支持多语言接口及多种计算功能，性能远超同类软件，为时间序列模拟提供高效开源工具。
2026-09-01 stat.AP stat.CO stat.ME
Salesforce CausalAI Library: A Fast and Scalable Framework for Causal Analysis of Time Series and Tabular Data
Salesforce（赛富时）；Carnegie Mellon University（卡内基梅隆大学）
本文介绍开源库 Salesforce CausalAI，支持表格与时间序列数据的因果发现和推断，具备线性和非线性算法、多进程加速、可控数据生成及无代码 UI，旨在提供快速灵活的因果分析解决方案。
2023-09-23 cs.AI cs.LG
StationarityToolkit: Comprehensive Time Series Stationarity Analysis in Python
Georgia Institute of Technology（佐治亚理工学院）
本文提出StationarityToolkit，一个Python库，提供10种统计检验方法，涵盖趋势、方差和季节性，帮助用户详细诊断时间序列的平稳性问题。
2026-04-09 stat.ME
GenTS: A Comprehensive Benchmark Library for Generative Time Series Models
The University of Hong Kong（香港大学）；Fudan University（复旦大学）
本文提出GenTS，一个用于系统评估生成时间序列模型的综合且可扩展的基准库，通过统一的数据预处理流程、多样化的模型集合和全景评估指标，为生成模型提供了更灵活的评估框架。
2026-05-19 cs.LG eess.SP
TSInterpret: A unified framework for time series interpretability
FZI Forschungszentrum Informatik（FZI信息技术研究中心）
随着深度学习算法越来越多地应用于时间序列分类，特别是在高风险场景中，解释这些算法的相关性成为关键。虽然时间序列可解释性的研究已经增长，从业人员的可访问性仍然是一个障碍。可解释性方法及其可视化在没有统一的API或框架的情况下使用多种多样。为了缩小这一差距，我们引入了TSInterpret一个易于扩展的开源Python库，用于解释时间序列分类器的预测，将现有的解释方法结合到一个统一的框架中。该库具有（i）最先进的可解释性算法，（ii）公开统一的API，使用户能够一致地使用解释，并为每个解释提供（iii）合适的可视化。
2022-08-15 cs.LG
Synthetic Random Environmental Time Series Generation with Similarity Control, Preserving Original Signal's Statistical Characteristics
本文提出一种基于离散傅里叶变换的合成时间序列生成方法，可在保留原始信号前两阶统计矩和自相关函数的同时控制相似性水平，并通过多种环境数据集验证其通用性。
2025-02-04 stat.ME
Introducing libeemd: A program package for performing the ensemble empirical mode decomposition
集成经验模式分解（EEMD）及其完全变体（CEEMDAN）是自适应的，噪声辅助的数据分析方法，改进了普通的经验模式分解（EMD）。所有这些方法将可能的非线性和/或非平稳时间序列数据分解成由瞬时频率分离的有限数量的分量。这种分解提供了一种强大的方法来研究给定时间序列数据背后的不同过程，并提供了一种将短时间尺度事件与一般趋势分开的方法。我们提出了一个免费的软件实现的EMD，EEMD和CEEMDAN，并给出了一个概述的EMD方法和分解中使用的算法。我们发布了我们的实现libeemd，目的是为任何有兴趣在时间序列数据分析中使用（E）EMD的人提供一个用户友好，快速，稳定，良好记录和易于扩展的EEMD库。虽然用C编写是为了提高数值效率，但我们的实现包括Python和R语言的接口，其他语言的接口也很简单。
2017-07-03 stat.CO
A Comprehensive Python Library for Deep Learning-Based Event Detection in Multivariate Time Series Data and Information Retrieval in NLP
本研究提出一种基于回归、仅需参考事件标注、采用堆叠集成元模型的多变量时间序列事件检测深度学习方法，并配套开发了可通过PyPI安装的Python包eventdetector-ts，经多领域实际用例验证具备通用性与有效性。
2023-12-18 cs.LG
TimeEvo: Failure-Driven Self-Evolution of a Time Series Agent
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Visa Research（Visa研究院）；University of Florida（佛罗里达大学）；The Ohio State University（俄亥俄州立大学）；Case Western Reserve University（凯斯西储大学）
TimeEvo通过聚类智能体失败、规划测量并合成证据工具，经配对准入门实现自我进化，在十个时间序列问答任务和三个骨干模型上从空库开始提升准确率。
2026-09-24 cs.AI cs.LG
WAX-ML: A Python library for machine learning and feedback loops on streaming data
Capital Fund Management（资本基金管理公司）
蜡是你放在冲浪板上防止滑倒的东西。这是一个必不可少的工具去冲浪.我们介绍了WAX-ML，一个面向研究的Python库，提供了设计强大的机器学习算法和流数据反馈循环的工具。它努力用专用于时间序列的工具来补充JAX。WAX-ML使基于JAX的程序易于使用，最终用户可以使用pandas和xarray进行数据操作。它提供了一种简单的机制来实现反馈循环，允许使用函数实现在线学习和强化学习算法，并使最终用户可以轻松地使用Gym库中的面向对象的强化学习框架进行集成。它在GitHub上以Apache开源许可证发布，网址为https://github.com/eserie/wax-ml。
2021-06-11 cs.CL cs.LG
Deep Time Series Models: A Comprehensive Survey and Benchmark
School of Software, BNRist, Tsinghua University（软件学院、BNRist、清华大学）
本文综述深度时间序列模型的基础模块与架构，并发布含30个模型、30个数据集、5类任务的 TSLib 基准，评估13个模型以揭示结构与任务适配规律。
2025-09-27 cs.LG
Time-IMM: A Dataset and Benchmark for Irregular Multimodal Multivariate Time Series
University of California, Los Angeles（加州大学洛杉矶分校）；National Yang Ming Chiao Tung University（国立阳明交通大学）
针对现实时间序列的不规则、多模态特性，提出Time-IMM数据集和IMM-TSF基准库，通过显式建模多模态性显著提升预测性能。
2025-10-15 cs.AI cs.CL cs.LG
SIRNN: A Math Library for Secure RNN Inference
Microsoft Research（微软研究院）
复杂的机器学习（ML）推理算法，如递归神经网络（RNN），使用来自数学库的标准函数，如幂运算、sigmoid、tanh和平方根倒数。尽管关于安全2方推理的先前工作提供了用于卷积神经网络（CNN）的专用协议，但是这些数学运算符的现有安全实现依赖于遭受高通信的通用2方计算（2 PC）协议。我们为数学函数提供了新的专用2 PC协议，这些数学函数主要依赖于查找表和混合位宽来解决此性能开销;我们的数学函数协议所传输的数据比以前的工作少423倍。我们的数学实现所使用的一些混合位宽操作是（零和有符号）扩展，不同形式的截断，混合位宽操作数的乘法和数字分解（位分解到更大数字的概括）。对于这些原始操作中的每一个，我们构建专门的2 PC协议，比通用的2 PC通信效率更高，并且可以是独立的兴趣。此外，我们的数学实现是数值精确的，这确保了安全实现保持明文的模型准确性。我们建立在我们的新协议之上，以构建SIRNN，这是一个端到端安全的2方DNN推理库，它提供了对时间序列传感器数据进行操作的RNN的第一个安全实现，对语音数据进行操作的RNN，以及结合CNN和RNN的最先进的ML架构，用于识别图像中存在的所有头部。我们的评估表明，SIRNN实现了高达三个数量级的性能提高相比，这些模型的推理使用现有的最先进的2 PC框架。
2021-05-10 cs.CR cs.LG cs.MS
TCN Mapping Optimization for Ultra-Low Power Time-Series Edge Inference
University of Bologna（博洛尼亚大学）；Politecnico di Torino（都灵理工大学）
时间卷积网络（TCN）是用于时间序列分析的新兴轻量级深度学习模型。我们介绍了一种自动化的探索方法和优化的内核库，以映射TCN的并行超低功耗（PULP）微控制器。我们的方法最大限度地减少延迟和能源，利用层平铺优化器，共同找到平铺尺寸和选择的因果关系和膨胀的一维卷积运算在TCN的核心的替代实现。我们在商业PULP设备上对我们的方法进行了基准测试，与在STM32 L4上执行的Cube-AI工具包相比，延迟降低了103倍，能耗降低了20.3倍，与相同硬件目标上的商业闭源和学术开源方法相比，能耗降低了2.9倍至26.6倍。
2022-03-24 cs.AI cs.LG
TemporAI: Facilitating Machine Learning Innovation in Time Domain Tasks for Medicine
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）
TemporAI是一个开源Python软件库，用于机器学习（ML）任务，涉及带有时间组件的数据，专注于医学和医疗保健用例。它支持时间序列，静态和事件模态数据，并提供预测，因果推理和时间到事件分析的接口，以及常见的预处理实用程序和模型可解释性方法。该图书馆旨在通过提供用于模型开发、原型设计和基准测试的标准化时间设置工具包，促进医学ML领域的创新，弥合ML研究、医疗保健专业人员、医学/药理学行业和数据科学社区的差距。TemporAI可在GitHub（https：//github.com/vanderschaarlab/temporai）上获得，我们欢迎社区通过使用、反馈和代码贡献参与其中。
2023-01-28 cs.AI cs.LG
MotionInput v2.0 supporting DirectX: A modular library of open-source gesture-based machine learning and computer vision methods for interacting and controlling existing software with a webcam
University College London（伦敦大学学院）；Great Ormond Street Hospital for Children（大奥蒙德街儿童医院）；Microsoft UK（微软英国）
于COVID-19疫情期间，非接触式电脑互动已成为重要考虑因素。尽管机器学习和计算机视觉在允许高级手势识别方面取得了进展，但仍然缺少这种开源方法的集成集合以及用户可定制的方法，以在现有软件中的低成本解决方案中利用它们进行非接触式交互。在本文中，我们介绍了MotionInput v2.0应用程序。该应用程序利用已发布的开源库和开发的其他手势定义，以将来自标准RGB网络摄像头的视频流作为输入。然后，它将人类运动手势映射到现有应用程序和游戏的输入操作。用户可以从一系列运动类型中选择他们自己偏好的交互方式，包括单模态和双模态手势、全身重复或基于极端的练习、头部和面部运动、眼动追踪以及上述的组合。我们还引入了一系列定制的手势识别分类作为DirectInput触发器，包括空闲状态的手势，自动校准，从2D RGB网络摄像头流中捕获深度，以及跟踪面部运动，如嘴部运动，眨眼和头部旋转方向。三个用例领域协助模块的开发：创意软件，办公和临床软件，以及游戏软件。集成了一系列开源库，并通过DirectX在Windows中现有的鼠标和键盘控件之上提供了一层模块化手势映射。由于大多数笔记本电脑和台式计算机都集成了网络摄像头，因此MotionInput v2.0以联合和本地处理的方式提供了更多的非接触式计算功能。
2021-08-10 cs.CV cs.GR cs.HC
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
Modular Deep Learning for Multivariate Time-Series: Decoupling Imputation and Downstream Tasks
Biostatistics and Health Informatics（生物统计学与健康信息学）；King's College London（伦敦国王学院）
本文提出模块化深度学习方法，解耦时间序列插值与下游任务，提升灵活性和可重用性，适用于多变量时间序列分析。
2026-02-25 cs.AI cs.LG
TuiML: Machine Learning for AI Agents
AI Institute, University of Waikato（怀卡托大学人工智能研究所）；LTCI, Télécom Paris, Institut Polytechnique de Paris（巴黎高等电信学校LTCI实验室，巴黎综合理工学院）
TuiML是一个为AI智能体设计的自包含机器学习库，通过机器可读元数据和验证工作流，使智能体能自主搜索、组合和扩展算法，同时保持与scikit-learn和Weka相当的预测性能。
2026-09-17 cs.AI cs.LG
