WWW 2025 | 时间序列（Time Series）论文总结

时空探索之旅

发布于 2025-02-26 14:00:14

1270

文章被收录于专栏：时空探索之旅

本文总结了WWW 2025有关时间序列(Time Series)相关文章，OpenReview上可以看到接收列表。如有疏漏，欢迎大家补充。

时间序列Topic：时序预测，异常检测，表示学习，大模型，IOT时序等

由于论文数较少，这次加入了摘要的中文翻译

注：所包含的摘要中文翻译是在机器翻译基础上进行了简单调整，因此可能存在一定程度的不准确性或语义偏差。我们恳请各位读者予以理解，并建议在条件允许的情况下参考英文原文进行阅读，以获得最准确的信息。

Learning Disentangled Representation for Multi-Modal Time-Series Sensing Signals
Exploiting Language Power for Time Series Forecasting with Exogenous Variables
Revisiting Backdoor Attacks on Time Series Classification in the Frequency Domain
TimeChain: A Secure and Decentralized Off-chain Storage System for IoT Time Series Data
Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies
NoTeNet: Normalized Mutual Information-Driven Tuning-free Dynamic Dependence Network Inference Method for Multimodal Data

1 Learning Disentangled Representation for Multi-Modal Time-Series Sensing Signals

链接：https://openreview.net/forum?id=trPIg0ECvv

作者：Ruichu Cai, Zhifan Jiang, Kaitao Zheng, Zijian Li, Weilin Chen, Xuexin Chen, Yifan Shen, Guangyi Chen, Zhifeng Hao, Kun Zhang

关键词：多模态时间序列、时间序列表示

摘要：多模态时间序列数据在物联网（IoT）等 Web 技术中很常见。现有的多模态时间序列表示学习方法旨在解开模态共享和模态特定的潜在变量。尽管在下游任务上取得了显着的性能，但它们通常假设一个正交的潜在空间。但是，模态特异性和模态共享的潜在变量可能取决于实际场景。因此，本文提出了一个通用的生成过程，其中模态共享和模态特定的潜在变量是相关的，并进一步开发了一个多模态时序解耦（MATE）模型。具体来说，MATE模型建立在时间变分推理架构之上，具有模态共享和模态特定的先验网络，用于解开潜在变量。此外，本文建立了可识别性结果，以表明提取的表示是解耦的。更具体地说，本文首先通过利用多模态数据的配对来实现模态共享和模态特定潜在变量的子空间可识别性。然后，本文通过采用历史潜在变量的充分变化来建立模态特定潜在变量的成分可识别性。对 12 个数据集的广泛实验研究表明，不同的下游任务普遍得到改善，突出了本文的方法在真实场景中的有效性。

2 Exploiting Language Power for Time Series Forecasting with Exogenous Variables

链接：https://openreview.net/forum?id=dFapOK8Rhb

作者：Qihe Huang, Zhengyang Zhou, Kuo Yang, Yang Wang

关键词：时间序列预测;外生变量

摘要：万维网依靠智能服务蓬勃发展，这些服务在很大程度上依赖于准确的时间序列预测来驾驭动态和不断发展的环境。由于现实世界的部分观察性质，只关注感兴趣的目标，即所谓的内生变量，不足以进行准确预测，尤其是在易受外部影响的 Web系统中。因此，利用外生变量来利用外部信息，即使用外生变量（FEV）进行预测，势在必行。然而，由于外部环境复杂且不断发展，未能充分捕捉外部影响甚至会导致学习虚假相关性和无效预测。幸运的是，最近的研究表明，大型语言模型（LLM）在开放的现实世界系统中表现出卓越的识别能力，包括对外生环境的深刻理解。然而，由于任务激活、外生知识提取和特征空间对齐的挑战，很难直接将 LLM 应用于 FEV。在这项工作中，本文设计了 ExoLLM，这是一种LLM驱动的方法，可以充分利用Exogenous 变量进行时间序列预测。本文从元任务指令开始，激活 LLM 从自然语言处理到 FEV 的知识转移。为了全面了解外生变量错综复杂和分层的影响，本文提出了 Multi-grained Prompts，包括不同的外部影响，包括自然属性、趋势相关性和两种变量之间的周期关系。此外，还设计了双 TS-Text Attention 来弥合 LLM 中文本和数字数据之间的功能差距。对真实世界数据集的评估表明，ExoLLM 在利用外生信息通过开放世界语言知识进行预测方面具有优势。

3 Revisiting Backdoor Attacks on Time Series Classification in the Frequency Domain

链接：https://openreview.net/forum?id=SbEFbBhNRd

作者：Yuanmin Huang, Mi Zhang, Zhaoxiang Wang, Wenxuan Li, Min Yang

关键词：时间序列分类、后门攻击、频域分析

摘要：时间序列分类（TSC）是现代 Web 应用程序的基石，为财务数据分析、网络流量监控和用户行为分析等任务提供支持。近年来，深度神经网络（DNN）极大地增强了 TSC 模型在这些关键领域的性能。但是，DNN 容易受到后门攻击，攻击者可以秘密地将触发器植入模型中以诱导恶意结果。针对基于 DNN 的 TSC 模型的现有后门攻击仍然是初级的。特别是，早期方法从计算机视觉中借用了触发器设计，这对时间序列数据无效。最近的方法利用生成模型来生成触发器，但代价是计算复杂性很高。在这项工作中，本文分析了现有攻击的局限性，并引入了一种增强的方法 _FreqBack_。从 DNN 模型本身在时间序列数据中捕获频域特征这一事实中汲取灵感，本文确定频域中的不当扰动是无效攻击的根本原因。为了解决这个问题，本文建议在频率分析的指导下，有效且高效地生成触发器。FreqBack 在 5 个模型和 8 个数据集中表现出出色的性能，实现了超过 90% 的令人印象深刻的攻击成功率，同时在干净数据上保持了不到 3% 的模型准确性下降。

4 TimeChain: A Secure and Decentralized Off-chain Storage System for IoT Time Series Data

链接：https://openreview.net/forum?id=KxXpYU96hW

作者：Yixiao Teng, jiamei lv, Ziping Wang, Yi Gao, Wei Dong

关键词：IoT 系列数据、区块链、数据库

摘要：与传统的集中式存储相比，基于区块链的分布式存储系统提供了增强的安全性、透明度和更低的成本，使其成为点对点协作的理想选择。然而，随着物联网（WoT）的趋势，较低的交易速度和较高的计算要求限制了他们对高密度数据（如 IoT）的访问。为了解决这个问题，本文提出了 TimeChain，这是一种用于 IoT 时间序列数据的高效链下区块链存储系统。TimeChain 对离散的时间序列数据进行批处理，仅将每个批处理的哈希值存储在链上，同时将完整的数据保留在链下。这显著降低了区块链上的存储开销和存储延迟 37.4 倍。为了减少范围查询中的额外传输延迟，TimeChain 采用了自适应打包机制。本文将批处理问题转换为图分区问题，将数据和历史协查询分别表示为图顶点和边权重。为了减小数据完整性验证中的传输大小，基于位置敏感哈希（LSH）的数据完整性验证机制，该机制通过仅传输非冗余部分来最大限度地减少完整性检查所需的数据。TimeChain 还集成了基于共识协议的节点选择机制，通过将节点选择和共识流程相结合来减少开销。本文的评估显示，与现有系统相比，查询延迟减少了 64.6%，存储延迟减少了 35.3%。

5 Multivariate Time Series Anomaly Detection by Capturing Coarse-Grained Intra- and Inter-Variate Dependencies

链接：https://openreview.net/forum?id=GdzcwAWPq3

作者：Yongzheng Xie, Hongyu Zhang, Muhammad Ali Babar

关键词：时间序列，异常检测，深度学习， AIOps

摘要：多变量时间序列异常检测对于 Web 应用程序作中的故障管理至关重要，因为它直接影响实施补救或预防措施的有效性和及时性。这项任务通常被描述为半监督学习问题，其中只有正常数据可用于模型训练，这主要是由于数据标记的劳动密集型性质和异常数据的稀缺性。现有的半监督方法通常通过捕获变量内的时间依赖关系和/或变量间关系来检测异常，以学习正常模式，将偏离这些模式的时间戳标记为异常。然而，这些方法往往无法在时间序列中捕获突出的变量内时间和变量间依赖关系，因为它们专注于过细的粒度，从而导致性能欠佳。在这项研究中，本文介绍了 MtsCID，一种新颖的半监督多变量时间序列异常检测方法。MtsCID 采用双网络架构：一个网络在多尺度变量内补丁的注意力图上运行，用于粗粒度的时间依赖学习，而另一个网络在变量上运行，通过卷积和与正弦原型的交互来捕获粗粒度的变量间关系。这种设计增强了从变量内时间依赖关系和变量间关系中捕获模式的能力，从而提高了性能。对 7 个广泛使用的数据集进行的广泛实验表明，MtsCID 的性能与最先进的基准方法相当或更高。

6 NoTeNet: Normalized Mutual Information-Driven Tuning-free Dynamic Dependence Network Inference Method for Multimodal Data

链接：https://openreview.net/forum?id=0kfANA2Aa6

作者：Xiao Tan, Yangyang Shen, Yan Zhang, Jingwen Shao, Dian Shen, Meng Wang, Beilun Wang

关键词：动态依赖网络，多模态融合，Web 时间序列数据

摘要：动态依赖网络（DDN）推理对于理解多模态时间序列 Web 数据中不断变化的关系至关重要，在医疗和金融网络分析等领域具有广泛的应用。多模态时间序列数据中固有的动态性质、时间连续性和异构数据源构成了三个基本挑战：计算效率、预测稳定性和稳健性以及模态质量差异。以前的方法通常缺乏对多种模态的利用，要么由于耗时的手动超参数调整而难以提高计算效率，要么由于忽视时间相干性而损害预测的稳定性和鲁棒性。为了应对这些挑战，本文提出了一种针对多模态数据的归一化互信息驱动的无调优动态依赖网络推理方法，即NoTeNet。NoTeNet 提供了一个很有前途的范例，可以集成两种不同的数据模态以提高预测准确性。它使用归一化互信息，将嘈杂的辅助数据转换为关系矩阵，并采用核函数进行平滑的时间估计。此外，NoTeNet 显著减少了对手动超参数调整的需求，提供了一种具有理论保证的免调整方法。在各种合成数据集和真实数据上，NoTeNet 表现出卓越的预测准确性和效率，而无需超参数调整，使其具有广泛的 Web 数据应用潜力。