ICML2025时间序列论文整理分享

国际机器学习会议（ICML）是推动机器学习领域发展的顶级盛会，以发表人工智能、数据科学等相关领域及机器视觉、计算生物学等应用方向的前沿研究著称，参会者涵盖学术与工业界研究人员、工程师等多元群体，是全球发展最快的人工智能会议之一。ICML 2025计划于2025年7月13日-7月19日在加拿大温哥华召开。

ICML收录的时间序列研究论文反映了该领域的前沿进展和趋势，涵盖预测、异常检测、因果分析、表示学习等多个关键方向。这些研究成果推动着时间序列分析技术不断发展，在众多领域发挥着重要作用。

预测方法的创新与优化

2020年提出的SeFT方法，基于微分集合函数学习，能处理不规则采样时间序列分类，可高度并行化且内存占用良好，适用于大型数据集和在线监视场景；2021年的TimeGrad自回归模型，利用扩散概率模型从数据分布中采样，在多元概率时间序列预测上表现出色；2024年的“Learning Optimal Projection for Forecast Reconciliation of Hierarchical Time Series”，通过学习最优投影矩阵，实现分层时间序列的连贯预测，性能优于传统方法 。

表示学习与特征提取

2020年有研究通过频谱分解过滤时间序列库学习，允许非线性变换，能学习更广泛的信号表示形式；2023年的SOM-CPC，利用自组织映射进行无监督对比学习，提取高频率时间序列的结构化表示；2024年的TimeSiam提出预训练框架，为暹罗时间序列建模提供新途径；UP2ME则通过单变量预训练到多变量微调的通用框架，用于多元时间序列分析 。

因果分析与推断

2021年有研究提出基于约束的因果特征选择方法，用于识别时间序列的直接和间接原因，误报率低；2024年的“Learning Causal Relations from Subsampled Time Series with Two Time-Slices”，利用两个时间切片的子采样时间序列学习因果关系；“Discovering Mixtures of Structural Causal Models from Time Series Data”则致力于从时间序列数据中发现结构因果模型的混合。

应对数据复杂性的方法

针对不规则采样时间序列，2020年有研究将其建模为从连续但未观察到的函数采样的索引值对序列，并引入连续卷积层；2021年的神经RDE方法，基于粗糙路径理论，扩展了神经控制微分方程公式，在处理长时间序列时具有训练加速、性能提升和内存需求减少的优势；2023年的“Probabilistic Imputation for Time-series Classification with Missing Data”等论文关注时间序列中的数据缺失问题，提出概率插补等方法应对 。

与其他领域的融合

2021年有研究将拓扑信息融入深度学习架构，用于流量预测和区块链价格预测；2024年的“Position Paper: What Can Large Language Models Tell Us about Time Series Analysis”探讨了大语言模型在时间序列分析中的应用潜力，推动了时间序列分析与大语言模型领域的融合 。