AAAI（Association for the Advancement of Artificial Intelligence）意为国际先进人工智能协会，是人工智能领域的主要学术组织之一。旨在推动智能思维与行为机制的科学理解及机器实现，并促进人工智能的科学研究和规范应用。被中国计算机协会 CCF 推荐为 A 类会议。

AAAI 2022 的论文接收结果：共有9020篇有效投稿，其中1349篇论文被接收，接收率仅为14.96%，创历史新低！

本文主要整理下 AAAI 2022-Main Track 中时间序列方向相关研究成果。

01

论文标题 Towards a Rigorous Evaluation of Time-series Anomaly Detection

研究方向 异常检测模型综述

论文链接 https://arxiv.org/abs/2109.05257

主要内容 近年来，关于时间序列异常检测（TAD）的拟议研究在基准 TAD 数据集上报告了高 F1 分数，给人以 TAD 明显改善的印象。然而，大多数研究在打分前采用了一种特殊的评估协议，即点调整（PA）。在本文中，我们从理论上和实验上揭示了 PA 协议有很大的可能性高估检测性能；也就是说，即使是随机的异常得分也能轻易地变成最先进的 TAD 方法。因此，应用 PA 协议后对 TAD 方法的比较会导致错误的排名。此外，我们对现有的 TAD 方法的潜力提出质疑，表明即使在禁止 PA 的情况下，未经训练的模型也能获得与现有方法相当的检测性能。基于我们的发现，我们提出了一个新的基线和一个评估协议。我们希望我们的研究将有助于对 TAD 进行严格的评估，并在未来的研究中得到进一步的改进。

02

论文标题 Training Robust Deep Models for Time-Series Domain: Novel Algorithms and Theoretical Analysis

研究方向 时间序列预测

03

论文标题 TAG: Learning Timed Automata from Logs

研究方向 日志事件序列

04

论文标题 CATN: Cross Attentive Tree-aware Network for Multivariate Time Series Forecasting

研究方向 多元时序预测

05

论文标题 Reinforcement Learning based Dynamic Model Combination for Time Series Forecasting

研究方向 强化学习结合时序预测

06

论文标题 TS2Vec: Towards Universal Representation of Time Series

研究方向 时序表示学习

论文链接 https://arxiv.org/abs/2106.10466

主要内容 本文介绍了 TS2Vec，一个用于学习任意语义层面的时间序列表征的通用框架。与现有的方法不同，TS2Vec 以分层的方式对增强的上下文视图进行对比学习，这使得每个时间戳都有一个强大的上下文表示。此外，为了获得时间序列中任意子序列的表示，我们可以对相应时间戳的表示进行简单的聚合。我们对时间序列分类任务进行了广泛的实验，以评估时间序列表示的质量。结果，在 125 个 UCR 数据集和 29 个 UEA 数据集上，TS2Vec 比现有的无监督时间序列表示的 SOTA 取得了重大改进。在时间序列预测和异常检测任务中，学到的时间戳级表示也取得了优异的成绩。在所学表征基础上训练的线性回归超过了以前的时间序列预测的 SOTA。此外，我们提出了一种简单的方法，将学到的表征应用于无监督的异常检测，这在文献中建立了 SOTA 结果。

源码链接 https://github.com/yuezhihan/ts2vec

07

论文标题 I-SEA: Importance Sampling and Expected Alignment-based Deep Distance Metric Learning for Time Series Analysis and Embedding

研究方向 度量学习结合时序嵌入

08

论文标题 Learning Temporal Point Processes for Efficient Retrieval of Continuous Time Event Sequences

研究方向 点过程结合事件序列

09

论文标题 Unsupervised Deep Anomaly Detection by Robust Density Estimation

研究方向 无监督异常检测

10

论文标题 Clustering Interval-Censored Time-Series for Disease Phenotyping

论文链接 https://arxiv.org/abs/2102.07005

研究方向 时间序列聚类

主要内容 无监督学习经常被用来发现数据中的聚类。然而，不同种类的噪声可能会阻碍从现实世界的时间序列数据中发现有用的模式。在这项工作中，我们专注于减轻疾病表型聚类任务中的间隔删减的干扰。我们开发了一个深度生成的、连续时间的时间序列数据模型，在纠正审查时间的同时对时间序列进行聚类。我们提供了一些条件，在这些条件下，可以从无噪声模型下的数据中识别出聚类和延迟进入的数量。在合成数据上，我们展示了准确、稳定和可解释的结果，超过了几个基准。在真实世界的心力衰竭和帕金森病患者的临床数据集上，我们研究了间隔审查如何对疾病表型的任务产生不利影响。我们的模型纠正了这一错误来源并恢复了已知的临床亚型。

11

论文标题 Conditional Loss and Deep Euler Scheme for Time Series Generation

论文链接 https://arxiv.org/abs/2102.05313

研究方向 时间序列生成

主要内容 我们介绍了三种新的时间序列生成模型，它们是基于欧拉离散化的随机微分方程（SDE）和 Wasserstein 度量。其中两种方法依赖于生成对抗网络（GANs）对时间序列的适应。第三种算法，称为条件欧拉生成器（CEGEN），最小化所有时间步骤上过渡概率分布之间的专用距离。在 Ito 过程的背景下，我们提供了理论上的保证，即最小化这一标准意味着对漂移和波动性参数的准确估计。我们通过经验证明，CEGEN 在边际动态和时间动态指标上都优于最先进的和 GAN 生成器。此外，它在高维度上识别了准确的相关结构。当数据点很少时，我们验证了 CEGEN 的有效性，当它与蒙特卡洛模拟的转移学习方法相结合时。最后，我们在各种真实世界的数据集上说明了我们方法的稳健性。