Full-Pipeline Inference Optimization for MiMo-V2.5 Series: Pushing Hybrid SWA Efficiency to the Limit
Xiaomi（小米）
针对MiMo-V2.5模型家族，结合Hybrid SWA、MoE和多模态编码器进行全流程推理优化。通过多种策略优化KVCache系统，构建GCache并开发路由器，还优化多模态输入，构成首个有效涵盖该复合架构的大规模LLM生产服务系统。
2026-07-16 cs.AI cs.AR
Epistemic Graph: A Plug-And-Play Module For Hybrid Representation Learning
Southeast University（东南大学）；Lenovo Research（联想研究院）
针对深度模型依赖大数据且难以融合结构化知识的问题，提出即插即用的 EGLayer，通过局部图、查询聚合和相关性对齐损失增强深度特征与知识图谱交互，提升跨域识别和少样本学习性能。
2023-12-06 cs.AI cs.CV
Dynamic Hypergraph Representation Learning for Multivariate Time Series without Prior Knowledge
IMT School for Advanced Studies Lucca（IMT高级研究学院卢塞拉）；KU Leuven（根特大学）；University of Chieti-Pescara（切塞纳-皮斯卡拉大学）
本文提出了一种无需先验知识的多变量时间序列动态超图表示学习方法，通过社区检测和注意力机制构建超图，并利用动态超图注意力卷积网络进行预测。
2026-05-21 cs.AI cs.CE
Segmentation over Complexity: Evaluating Ensemble and Hybrid Approaches for Anomaly Detection in Industrial Time Series
在这项研究中，我们研究了先进的特征工程和混合模型架构的有效性异常检测在一个多变量的工业时间序列，专注于汽轮机系统。我们评估了变化点派生的统计特征，基于聚类的子结构表示，和混合学习策略对检测性能的影响。尽管它们在理论上很有吸引力，但与在分割数据上训练的简单随机森林+ XGBoost集成相比，这些复杂的方法始终表现不佳。总体实现了0.976的AUC-ROC，0.41的F1评分，以及在定义的时间窗内100%的早期检测。我们的研究结果强调，在具有高度不平衡和时间不确定数据的情况下，模型简单性与优化分割相结合可以胜过更复杂的架构，提供更高的鲁棒性，可解释性和操作实用性。
2025-10-30 cs.AI cs.LG
Enhancing Time Series Forecasting via a Parallel Hybridization of ARIMA and Polynomial Classifiers
HCMC University of Technology and Education（胡志明市技术教育大学）；Indigo Technology Systems JSC（Indigo 科技系统股份公司）；International University-VNU-HCM（越南国立大学胡志明市国际大学）
提出一种并行混合ARIMA与多项式分类器的时间序列预测方法，利用线性与非线性建模优势，在多个真实数据集上提升了预测准确性，代价是轻微增加计算时间。
2025-05-27 cs.AI cs.LG
SST: Multi-Scale Hybrid Mamba-Transformer Experts for Time Series Forecasting
Illinois Institute of Technology（伊利诺伊理工学院）；Emory University（埃默里大学）
针对时间序列预测中 Mamba 和 Transformer 单独使用的局限性，提出多尺度混合专家模型 SST，通过分解策略将长程模式交由 Mamba 专家、短程变化交由 Transformer 专家处理，并结合多尺度修补机制，实现了 SOTA 性能与线性可扩展性。
2025-11-02 cs.AI cs.LG
DSAT-HD: Dual-Stream Adaptive Transformer with Hybrid Decomposition for Multivariate Time Series Forecasting
Computer Science and Technology（计算机科学与技术）；Harbin Engineering University（哈尔滨工程大学）；Traditional Chinese Medicine Data Center（传统中医数据中心）；China Academy of Chinese Medical Sciences（中国中医科学院）
针对多尺度特征捕捉与固定季节分解的局限，本文提出 DSAT-HD，通过混合分解、自适应多尺度路径和双流残差学习提升预测性能与跨场景泛化能力。
2025-09-29 cs.AI cs.LG
A Hybrid Model for Learning Embeddings and Logical Rules Simultaneously from Knowledge Graphs
Purdue University（普渡大学）
知识图谱（KG）推理问题已经被传统的基于规则的系统和最近的知识图谱嵌入方法广泛地探索。虽然逻辑规则可以捕获KG中的确定性行为，但它们是脆弱的，并且挖掘那些推断已知KG之外的事实的规则是具有挑战性的。概率嵌入方法在捕获全局软统计趋势方面是有效的，并且用它们进行推理在计算上是高效的。虽然从丰富的训练数据中学习到的嵌入表示具有表达性，但现实世界KG中的不完整性和稀疏性可能会影响其有效性。我们的目标是利用这两种方法的互补特性来开发一种混合模型，同时学习高质量的规则和嵌入。我们的方法使用了交叉反馈的范例，其中，嵌入模型被用来指导搜索的规则挖掘系统挖掘规则和推断新的事实。这些新的事实被采样并进一步用于改进嵌入模型。多个基准数据集上的实验表明，我们的方法比其他竞争力的独立和混合基线的有效性。我们还展示了其在稀疏KG设置中的功效，并最终探索了与负采样的联系。
2020-09-22 cs.AI cs.LG
HKD-SHO: A hybrid smart home system based on knowledge-based and data-driven services
Télécom Paris（巴黎电信学院）；EDF R&D（法国电力公司研发中心）
本文提出混合智能家居系统HKD-SHO，融合知识驱动服务的可解释性与数据驱动服务的动态性，实验表明其性能优于现有动态智能家居服务系统。
2024-02-15 cs.AI cs.LG
Deep Gated Recurrent and Convolutional Network Hybrid Model for Univariate Time Series Classification
用于时间序列分类的混合LSTM-全卷积网络（LSTM-FCN）在单变量时间序列上产生了最先进的分类结果。我们证明，用门控递归单元（GRU）替换LSTM来创建GRU-全卷积网络混合模型（GRU-FCN）可以在许多时间序列数据集上提供更好的性能。所提出的GRU-FCN模型在许多单变量和多变量时间序列数据集上的分类性能优于最先进的分类性能。此外，由于GRU使用比LSTM更简单的架构，因此与基于LSTM的模型相比，它具有更少的训练参数，更少的训练时间和更简单的硬件实现。
2019-02-20 cs.LG stat.ML
HybridFC: A Hybrid Fact-Checking Approach for Knowledge Graphs
Universität Paderborn（帕德博恩大学）
针对知识图谱事实核查中各类单一方法的局限，本文提出混合集成方法 HybridFC，融合多类方法优势，在 FactBench 上将 AUROC 较最先进方法提升 0.14–0.27，并开源代码。
2024-09-10 cs.AI cs.DB cs.LG
TimeMKG: Knowledge-Infused Causal Reasoning for Multivariate Time Series Modeling
本文提出TimeMKG框架，通过大语言模型与多变量知识图谱融合变量语义和时序统计信息，以跨模态注意力注入因果先验，从而提升多变量时间序列预测与分类的性能和泛化能力。
2025-08-15 cs.AI cs.LG
TypiCore: A Hybrid Active Query Strategy for Class-Incremental Learning on Time Series
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；University of Padua（帕多瓦大学）
研究多元时间序列的主动类增量学习，提出TypiCore混合查询策略，结合多种方法评估多种查询策略，揭示基于不确定性和分布感知方法局限性，该策略在多数据集上取得显著改进，减少标注需求。
2026-09-15 cs.AI cs.LG
HTMformer: Hybrid Time and Multivariate Transformer for Time Series Forecasting
Northwestern Polytechnical University（北华理工大学）；MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（人工智能教育部重点实验室，上海交通大学AI研究院）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究所，东部技术研究所）；Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative（宁波空间智能与数字衍生关键实验室）
HTMformer通过混合时间与多变量嵌入提升时间序列预测的准确性和效率
2025-12-15 cs.AI cs.LG
How Much Reasoning Do Retrieval-Augmented Models Add beyond LLMs? A Benchmarking Framework for Multi-Hop Inference over Hybrid Knowledge
Massachusetts Institute of Technology（麻省理工学院）；IBM Research（IBM研究院）；University of Central Florida（中央佛罗里达大学）
HybridRAG-Bench通过混合知识和多跳推理评估框架，有效区分真实检索与参数回忆，为混合知识增强推理系统提供测试平台。
2026-02-10 cs.LG
A Time Series Multitask Framework Integrating a Large Language Model, Pre-Trained Time Series Model, and Knowledge Graph
本文提出时间序列多任务框架LTM，融合预训练时间序列模型、大语言模型与知识图谱，通过提示增强和特征融合，以少量可训练参数在预测、插补和异常检测任务上显著优于现有方法。
2025-03-10 cs.AI cs.LG
Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition
Middle East Technical University（中东技术大学）；Massachusetts Institute of Technology（麻省理工学院）
在不同领域的许多应用中，都会产生大量的时间序列数据。做出准确的预测对于许多决策者来说至关重要。存在各种时间序列预测方法，其分别使用线性和非线性模型或两者的组合。研究表明，线性和非线性模型的结合可以有效地提高预测性能。然而，这些现有方法所做的一些假设可能会限制它们在某些情况下的性能。本文提出了一种新的自回归滑动平均（ARIMA）-人工神经网络（ANN）混合方法。实验结果表明，在整个杂交过程中，用于分解原始数据以及用于组合线性和非线性模型的策略是该方法预测性能的关键因素。通过使用适当的策略，我们的混合方法可以是一种有效的方法，以提高预测精度由传统的混合方法，也单独使用的个人方法。
2018-12-30 cs.LG stat.ML
Hybrid Variational Autoencoder for Time Series Forecasting
Deakin University（迪肯大学）；University of New South Wales（新南威尔士大学）；Qilu University of Technology (Shandong Academy of Sciences)（齐鲁工业大学（山东省科学院））
提出混合变分自编码器（HyVAE），通过变分推断联合学习时间序列的局部模式与时间动态，在四个真实数据集上优于对比方法和仅学习单一方面的变体。
2023-03-13 cs.LG
Causal Discovery from Time Series with Hybrids of Constraint-Based and Noise-Based Algorithms
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔理工学院）；LECA（生态与环境科学实验室）；LJK（格勒诺布尔计算机科学实验室）；LIG（格勒诺布尔信息与信号处理实验室）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔·路易流行病学与公共卫生研究所）；Univ. Savoie Mont Blanc（萨瓦勃朗峰大学）
本文提出一个将基于约束与基于噪声方法相结合的时间序列因果发现框架，包含超图剪枝和骨架定向两类策略，并在模拟与真实数据上验证了其鲁棒性和有效性。
2024-04-30 cs.AI cs.LG
Quantum-classical hybrid models based on error correction for time series forecasting
Universidade Federal de Pernambuco（伯南布哥联邦大学）
提出首个基于纠错的量子-经典混合预测系统，量子模型提取模式，经典模型从量子误差中捕获剩余模式，在多数问题上取得最优结果。
2026-06-16 cs.LG quant-ph
Drought forecasting using a hybrid neural architecture for integrating time series and static data
AgroParisTech（巴黎高科农业学院）；Agrial（阿格里阿尔集团）
本文提出一种融合时间序列与静态数据的混合神经架构，在 DroughtED 数据集上实现最先进的干旱预测性能，并验证了该数据集支持位置无关训练的能力。
2025-04-08 cs.LG
Early-stage detection of cognitive impairment by hybrid quantum-classical algorithm using resting-state functional MRI time-series
Yonsei University（延世大学）；College of Medicine, Yonsei University（延世大学医学院）
本研究提出混合量子-经典算法，结合一维卷积层与量子卷积神经网络对静息态fMRI时间序列进行分类，实现早期认知障碍检测，并验证了九个关键脑区的神经科学有效性。
2024-03-16 cs.AI cs.LG q-bio.NC
FlowScope: Enhancing Decision Making by Time Series Forecasting based on Prediction Optimization using HybridFlow Forecast Framework
B V Raju Institute of Technology（B V Raju理工学院）；Dept. AI and Data Science（人工智能与数据科学系）
本文提出名为FlowScope的深度混合学习框架，结合ARIMA、SARIMA、ETS和LSTM模型的优势，为时间序列预测提供强大平台，助力企业做出明智决策并优化长期战略。
2024-11-16 cs.CE cs.LG eess.SP
HybGRAG: Hybrid Retrieval-Augmented Generation on Textual and Relational Knowledge Bases
Carnegie Mellon University（卡内基梅隆大学）；Amazon（亚马逊）
HybGRAG针对半结构化知识库上的混合问答问题，提出结合检索器库与评判模块的混合检索增强生成方法，在STaRK基准上Hit@1平均相对提升51%。
2025-06-02 cs.AI cs.IR cs.LG
A Hybrid Framework for Spatial Interpolation: Merging Data-driven with Domain Knowledge
University of Science and Technology Beijing（北京科技大学）；Texas A&M University（得克萨斯农工大学）
针对空间插值忽视领域知识且特征受限的问题，提出融合数据驱动特征提取与规则辅助函数映射的混合框架，以提升局部空间特征捕捉、非线性估计及不确定性量化能力。
2024-09-06 cs.AI cs.LG stat.ML
KARMA: A Multilevel Decomposition Hybrid Mamba Framework for Multivariate Long-Term Time Series Forecasting
Shanghai Advanced Research Institute, Chinese Academy of Sciences（上海先进研究院，中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）；Beijing Jiaotong University（北京交通大学）
针对长期多变量时间序列中复杂动态建模及 Transformer 计算开销问题，提出融合 ATCD、HFTD 与多尺度 Mamba KarmaBlock 的 KARMA，并在八个数据集上验证其精度与效率优势。
2025-06-10 cs.LG
HyBDM: Multi-Scale Hybrid Experts for Time Series Forecasting with Bidirectional Dependency Modeling
针对多元时间序列预测中捕捉全局与局部依赖关系的难题，提出HyBDM多尺度混合模型，通过两个专家分别建模全局模式与局部变化，结合多尺度补丁器和路由器，实验证明其在预测准确性和计算效率上优于现有方法。
2026-07-21 cs.LG
Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach
Independent Researcher（独立研究者）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Southern Methodist University（南卫理公会大学）；Shanghai University of Finance and Economics（上海财经大学）
本文提出混合机器学习算法比较研究以预测比特币价格并提升可解释性，引入OLS、LASSO、LSTM和决策树，实验表明线性回归性能最佳，并系统概述时间序列预处理技术以挖掘复杂模式。
2023-12-31 cs.LG q-fin.ST
Improving accuracy in short mortality rate series: Exploring Multi-step Forecasting Approaches in Hybrid Systems
Departamento de Finanças e Contabilidade Universidade Federal da Paraíba（财务与会计系 伯南布哥联邦大学）；Centro de Informática Universidade Federal de Pernambuco（计算机中心 皮奥伊联邦大学）；Departamento de Estatística e Informática Universidade Federal do Cariri（统计与计算机系 卡里里联邦大学）
针对短期死亡率数据有限下的多步预测难题，该研究比较混合系统中递归、直接和MIMO策略及多种ML模型，发现方法与模型选择均关键，递归ARIMA-LSTM表现最佳。
2025-09-26 cs.LG
Construction of a Surrogate Model: Multivariate Time Series Prediction with a Hybrid Model
Renault group（雷诺集团）；CREST（法国国家统计与经济研究所经济与统计研究中心）
先进的驾驶辅助系统的最新发展需要越来越多的测试来验证新技术。这些测试无法在合理的时间内在轨道上进行，汽车集团依赖模拟器进行大多数测试。这些模拟器在不断改进的任务中的可靠性正在成为一个问题，为了增加测试的数量，业界现在正在开发代理模型，这些模型应该模仿模拟器的行为，同时在特定任务上运行得更快。在本文中，我们的目标是构建一个代理模型来模仿和取代模拟器。我们首先测试几种经典的方法，如随机森林，岭回归或卷积神经网络。然后，我们建立了三个混合模型，使用所有这些方法，并将它们结合起来，得到一个有效的混合代理模型。
2022-12-15 cs.LG stat.ML
A Hybrid Loss Framework for Decomposition-based Time Series Forecasting Methods: Balancing Global and Component Errors
Sichuan University（四川大学）；University of Colorado Anschutz Medical Campus（科罗拉多大学安舒茨医学校区）
针对基于分解的时间序列方法中整体损失可能忽视关键子序列的问题，提出结合全局损失与分量损失的混合损失框架，通过双重最小-最大算法动态调整权重，在多个数据集上实现0.5-2%的平均性能提升。
2024-11-18 cs.LG stat.ML
Generating new concepts with hybrid neuro-symbolic models
Center for Neural Science（神经科学中心）；New York University（纽约大学）；Department of Psychology and Center for Data Science（心理学系与数据科学中心）
人类的概念知识支持产生新颖但高度结构化的概念的能力，并且这种概念知识的形式是认知科学家非常感兴趣的。一种传统强调结构化知识，将概念视为嵌入在直觉理论中或组织在复杂的符号知识结构中。第二个传统强调统计知识，将概念知识视为从训练神经网络和其他统计模型捕获的丰富相关结构中涌现出来的知识。在本文中，我们探讨了这两个传统的合成，通过一种新的神经符号模型产生新的概念。使用简单的视觉概念作为测试平台，我们将神经网络和符号概率程序结合在一起，学习新的手写字符的生成模型。两个替代模型探索更通用的神经网络架构。我们比较了这三个模型中的每一个在保持的字符类上的可能性以及它们的产品质量，发现我们的混合模型学习了最令人信服的表示，并从训练观察中进一步推广。
2020-06-09 cs.AI cs.LG stat.ML
Scalable Hybrid HMM with Gaussian Process Emission for Sequential Time-series Data Clustering
KAIST（韩国科学技术院）
隐马尔可夫模型（HMM）结合高斯过程（GP）发射，可以有效地估计隐藏状态的一系列复杂的输入输出关系的观察。特别是当光谱混合（SM）核用于GP发射时，我们称此模型为混合HMM-GPSM。该模型可以有效地对时间序列数据进行建模。然而，由于SM内核的大量参数，该模型不能有效地用大量数据进行训练，这些数据具有（1）用于状态转换的长序列和2）每个序列中的大量时间序列数据集。本文提出了一种可扩展的HMM-GPSM学习方法。为了有效地训练模型与长序列，所提出的方法采用随机变分推理（SVI）的方法。同时，为了有效地处理每个时间序列数据的大量数据点，我们使用重新参数化的随机傅立叶特征（R-RFF）来近似SM核。这两种技术的结合大大减少了训练时间。我们验证了所提出的学习方法的隐藏状态估计精度和计算时间，使用大规模的合成和真实数据集缺失值。
2020-01-07 cs.LG stat.ML
Introducing Hybrid Modeling with Time-series-Transformers: A Comparative Study of Series and Parallel Approach in Batch Crystallization
Texas A&M University（德克萨斯农工大学）
本文首次将基于时间序列Transformer的混合建模框架应用于批结晶过程，通过比较串联与并联两种配置，实现了NMSE低至10⁻³量级、R²超过0.99的高精度预测，为化学制造数字孪生提供了更准确且可解释的方案。
2023-07-25 cs.LG cs.SY eess.SY
Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting
Department of Diagnostics and Intervention, Radiation Physics, Biomedical Engineering, Umeå University, Sweden（诊断与介入部门，辐射物理，生物医学工程，乌梅大学，瑞典）；Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy（海军、电气、电子与电信工程部门，热那亚大学，意大利）
提出一种混合量子-经典架构，将变分量子电路集成到循环神经网络中，用于多变量生理时间序列的多步预测，在BIDMC数据集上表现出与基线相当的精度和更强的鲁棒性。
2026-05-25 cs.LG
HIPAD - A Hybrid Interior-Point Alternating Direction algorithm for knowledge-based SVM and feature selection
Columbia University（哥伦比亚大学）；Lehigh University（里海大学）；Siemens Corporation（西门子公司）
我们认为，在高维特征空间中，特定的专家知识也是可用的稀缺标记的训练数据的政权的分类任务。我们提出了一种新的混合优化算法，解决了弹性网络支持向量机（SVM）通过交替方向的方法在第一阶段的乘数，其次是一个相邻点的方法在第二阶段的经典SVM。这两个SVM配方都适用于知识整合。我们提出的算法解决了自动特征选择，高优化精度和算法的灵活性，利用先验知识的挑战。我们证明了我们的算法的有效性和效率，并将其与现有的方法在一组合成和真实世界的数据进行比较。
2014-11-16 cs.LG stat.ML
Steering the LoCoMotif: Using Domain Knowledge in Time Series Motif Discovery
KU Leuven（鲁汶大学）；Leuven.AI - KU Leuven Institute for AI（鲁汶人工智能研究所 - 鲁汶大学人工智能研究院）
针对时间序列基序发现（TSMD）无监督导致基序缺乏用户兴趣的问题，提出可施加领域知识约束的框架及高效实现LoCoMotif-DoK算法，其在真实与合成数据中利用领域知识的效果优于其他仅支持有限领域知识的TSMD技术。
2025-02-17 cs.AI cs.CV cs.LG
Scale-Aware Pretraining of Time Series Foundation Models via Multi-Patch Token Alignment and Hybrid Masking
School of Software, Shandong University（山东大学软件学院）；Joint SDU–NTU Centre for Artificial Intelligence Research (C-FAIR), Shandong University（山东大学-南洋理工大学人工智能联合研究中心（C-FAIR））；Nanyang Technological University（南洋理工大学）
本文针对时间序列基础模型预训练中处理不同采样频率的问题，提出SATS方法，通过尺度感知令牌对齐与混合掩码策略实现最优性能，同时提升模型效率。
2026-08-21 cs.LG
Stock Movement Prediction Based on Bi-typed Hybrid-relational Market Knowledge Graph via Dual Attention Networks
Southwestern University of Finance and Economics（西南财经大学）；Beihang University（北京航空航天大学）；Kwai Inc.（快手公司）
股票走势预测的目的是预测上市公司股票未来的价格走势，由于金融市场的波动性，这是一项具有挑战性的任务。近年来的金融研究表明，动量溢出效应在股票波动中起着重要的作用。然而，以往的研究往往只学习关联公司之间简单的关联信息，无法对现实金融市场中上市公司之间的复杂关系进行建模。为了解决这个问题，我们首先构建了一个更全面的市场知识图（MKG），它包含了两种类型的实体，包括上市公司及其关联高管，和混合关系，包括显式关系和隐式关系。之后，我们提出了DanSmp，一个新的双注意力网络学习动量溢出信号的基础上构建的MKG股票预测。在我们构建的数据集上对9个SOTA基线进行的实证实验表明，所提出的DanSmp能够提高股票预测与构建的MKG。
2022-01-24 cs.AI cs.LG q-fin.ST
A Statistics and Deep Learning Hybrid Method for Multivariate Time Series Forecasting and Mortality Modeling
University of the Witwatersrand（金山大学）；University of Johannesburg（约翰内斯堡大学）
混合方法已被证明在预测任务和量化与这些预测（预测区间）相关的不确定性方面优于纯统计和纯深度学习方法。一个例子是指数平滑递归神经网络（ES-RNN），它是统计预测模型和递归神经网络变体之间的混合。ES-RNN在Makridakis-4预测竞赛中的绝对误差提高了9.4%。这种改进和其他混合模型的类似表现主要仅在单变量数据集上得到证明。将混合预测方法应用于多变量数据的困难包括（$i$）不简约的模型的超参数调整所涉及的高计算成本，（$ii$）与数据中固有的自相关相关联的挑战，以及（$iii$）可能难以捕获的协变量之间的复杂依赖性（互相关）。本文提出了多元指数平滑长短期记忆（MES-LSTM），这是ES-RNN的一种广义多元扩展，它克服了这些挑战。MES-LSTM使用矢量化实现。我们在2019年冠状病毒病（COVID-19）发病率数据集上测试了MES-LSTM，发现我们的混合方法在预测准确性和预测区间构建方面比纯统计和深度学习方法表现出一致的显着改进。
2021-12-16 cs.LG stat.ML
Two-stage hybrid models for enhancing forecasting accuracy on heterogeneous time series
Kent Business School, University of Kent, Canterbury, Kent, CT2 7FS, UK（肯特大学坎特伯雷分校）
本文针对异构时间序列数据提出两阶段混合建模框架，先用全局模型识别同质模式，再用局部模型或分组子模型捕捉异构性，在四个数据集上显著优于六种先进模型。
2025-11-07 cs.LG
Hybrid Autoencoder-Isolation Forest approach for time series anomaly detection in C70XP cyclotron operation data at ARRONAX
本文提出结合全连接自编码器和孤立森林的方法，用于检测回旋加速器操作数据中的细微异常，通过改进的MCE指标提升检测性能。
2026-03-20 cs.LG
CancerKG.ORG A Web-scale, Interactive, Verifiable Knowledge Graph-LLM Hybrid for Assisting with Optimal Cancer Treatment and Care
Florida State University（佛罗里达州立大学）；University of South Florida（南佛罗里达大学）；Moffit Cancer Center（莫菲特癌症中心）；Research Institute（研究所）
本文提出CancerKG.ORG，一个结合知识图谱与大语言模型的网络级混合系统，通过自动摄取最新结直肠癌医学知识并以验证KG作为RAG护栏，缓解LLM幻觉与知识过时问题，辅助癌症治疗与临床信息检索。
2024-12-31 cs.AI cs.IR cs.LG
Dynamic Lagging for Time-Series Forecasting in E-Commerce Finance: Mitigating Information Loss with A Hybrid ML Architecture
Dell Technologies（戴尔技术）
针对电商金融中稀疏不规则数据导致预测不准的问题，提出融合动态滞后特征、滚动窗口与统计及集成模型的混合框架，实现约5%的MAPE降低并提升预测稳定性。
2025-09-24 cs.LG
Hybrid Attention Networks for Flow and Pressure Forecasting in Water Distribution Systems
Tsinghua University（清华大学）
多变量遥感时间序列具有复杂的时空相关性，预测具有挑战性。在城市配水系统（WDS）中，已经部署了许多空间相关的传感器来连续收集水力数据。监测流量和压力时间序列的预测对于操作决策、警报和异常检测至关重要。为了解决这个问题，我们提出了一个混合的双阶段时空注意力为基础的递归神经网络（hDS-RNN）。我们的模型由两个阶段组成：一个基于空间注意的编码器和一个基于时间注意的解码器。具体而言，提出了一种混合空间注意力机制，采用沿时间和空间轴的输入。在真实数据集上进行的实验表明，该模型在WDS的流量和压力序列预测中优于9个基线模型。
2020-04-14 cs.LG stat.ML
LeForecast: Enterprise Hybrid Forecast by Time Series Intelligence
Lenovo Research（联想研究院）；Lenovo (Beijing) Ltd.（联想（北京）有限公司）
LeForecast是一个专为企业时间序列任务定制的智能平台，集成了Le-TSFM等三柱建模引擎与双融合方法，实验验证其在多工业用例中具备高效竞争力。
2025-03-27 cs.AI cs.ET cs.LG
ZK-HybridFL: Zero-Knowledge Proof-Enhanced Hybrid Ledger for Federated Learning
Electrical Engineering Department, Columbia University（哥伦比亚大学电气工程系）
ZK-HybridFL通过整合DAG账本、侧链和零知识证明，实现隐私保护的分布式联邦学习，提升模型训练效率和安全性。
2026-01-29 cs.CR cs.DC cs.LG
Hybrid Forecasting of Chaotic Processes: Using Machine Learning in Conjunction with a Knowledge-Based Model
University of Maryland（马里兰大学）；Rice University（莱斯大学）；Haverford College（哈弗福德学院）
一种基于模型的方法来预测混沌动力系统，利用控制动力学的物理过程的知识来建立系统的近似数学模型。相比之下，机器学习技术已经证明了纯粹从系统状态变量（训练数据）的过去时间序列测量来预测混沌系统的有希望的结果，而无需系统动态的先验知识。本文的动机是机器学习的潜力，以填补我们的基础机械知识的差距，导致广泛使用的基于知识的模型是不准确的。因此，我们在这里提出了一个通用的方法，利用这两种方法的优点，结合基于知识的模型和机器学习技术，建立一个混合预测方案。这种方法的潜在应用有很多（例如，改善天气预报）。我们证明和测试这种方法的实用性，使用一个特定的说明性版本的机器学习称为储备池计算，我们将得到的混合预测低维混沌系统，以及高维时空混沌系统。这些测试产生了非常有希望的结果，因为我们的混合技术能够准确预测比机器学习组件或基于模型的组件更长的时间。
2018-03-09 cs.LG nlin.CD stat.ML
SenTSR-Bench: Thinking with Injected Knowledge for Time-Series Reasoning
The Pennsylvania State University（宾夕法尼亚州立大学）；AWS AI Labs（AWS人工智能实验室）；Amazon RME Project（亚马逊RME项目）
SenTSR-Bench通过注入领域知识提升时间序列推理能力，结合强化学习方法实现高效的知识注入，方法在多个数据集上显著优于现有模型。
2026-02-23 cs.AI cs.CL cs.LG
A Hybrid Approach on Conditional GAN for Portfolio Analysis
几十年来，马科维茨框架在投资组合分析中得到了广泛的应用，但它过于强调对市场不确定性的分析，而不是对趋势的预测。而生成对抗网络（GAN）、条件GAN（CGAN）和自动编码CGAN（ACGAN）已被探索用于生成金融时间序列并提取有助于投资组合分析的特征。CGAN或ACGAN框架的局限性在于过于强调生成序列和发现序列的内部趋势，而不是预测未来趋势。在本文中，我们介绍了一种基于深度生成模型的条件GAN混合方法，该方法在对市场不确定性和未来趋势建模的同时学习历史数据的内部趋势。我们评估了来自美国和欧洲市场的几个真实世界的数据集的模型，并表明，建议的HybridCGAN和HybridACGAN模型导致更好的投资组合分配相比，现有的Markowitz，CGAN和ACGAN的方法。
2022-07-13 cs.LG q-fin.PM
Multivariate Time Series Forecasting with Hybrid Euclidean-SPD Manifold Graph Neural Networks
Zhejiang University（浙江大学）；Huazhong University of Science（华中科技大学）；The University of New South Wales（新南威尔士大学）
本文提出混合欧几里得-SPD流形图神经网络，通过混合几何表示提升多变量时间序列预测的准确性。
2025-12-16 cs.LG
Hybrid Transformer with Multi-level Fusion for Multimodal Knowledge Graph Completion
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）；State Key Laboratory of Media Convergence Production Technology and Systems（媒体融合生产技术与系统国家重点实验室）
本文提出混合Transformer模型MKGformer，通过统一输入输出架构和多级融合机制整合视觉与文本表示，在多模态知识图谱补全的四个数据集上取得SOTA性能。
2023-09-18 cs.AI cs.CL cs.CV
Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases
National Institute of Technology, Delhi（德里国家理工学院）；Indian Institute of Technology, Roorkee（印度理工学院鲁尔基分校）
时间序列预测方法在估计流行病的传播中起着至关重要的作用。2019年12月爆发的冠状病毒疫情已经感染了全球数百万人，并继续蔓延。就在疫情曲线开始平缓时，许多国家再次开始出现病例上升，这被称为第二波大流行。因此，需要对时间序列预测模型进行彻底分析，以便为国家当局和卫生官员提供未来的即时战略。这项研究有三个目的：（a）建立传播总体趋势模型;（b）在确诊病例发病率最高的国家（美国、印度和巴西）建立10天的短期预测;（c）从数量上确定最适合于对时间序列的线性和非线性特征进行精确建模的算法。各国累计病例总数预测模型的比较是通过比较报告数据和预测值进行的，然后根据RMSE、MAE和MAPE值对算法（Prophet、Holt-Winters、LSTM、ARIMA和ARIMA-NARNN）进行排名。ARIMA和NARNN（非线性自回归神经网络）的混合组合给出了最好的结果，在选定的模型中，降低了RMSE，这被证明是近35.3%，比最流行的时间序列预测方法（ARIMA）。结果表明，ARIMA-NARNN模型的混合实现优于其他预测方法，如Prophet，Holt Winters，LSTM和ARIMA模型，可以封装数学数据集的线性和非线性模式。
2022-05-26 cs.LG cs.SI
A Hybrid Attention Model Learning Unified Time-aware Patch Representation for Irregular Multivariate Time Series Forecasting
Southeast University（东南大学）；Nanyang Technological University（南洋理工大学）；Timecho Ltd.（天谋科技）
提出混合注意力模型，通过时间感知补丁编码与时间偏置注意力处理不规则多变量时间序列，在三个IMTS基准上取得最优零样本性能。
2026-09-29 cs.LG
