#paper SMDE: Unsupervised representation learning for time series based on signal mode decomposition and ensemble doi: https://doi.org/10.1016/j.knosys.2024.112369 这个月读自己刚见刊的论文吧，当是做一个宣传。在本文中，我们提出一种新的时间序列对比学习框架SMDE，在实例对比的基础上，首次将模态级别对比纳入对比学习当中，从而加深了对复杂时间序列动态的理解。我们进一步提出了专门针对时间序列特点的代理任务，全局信号一致性与局部模态一致性代理任务，并基于此提出了一种新的损失函数DE Circle loss。我们在广泛的半监督实验中，取得了sota的效果。说实话，虽然全监督的效果也很好，但是我个人觉得半监督是我们做的一个比较好的点

#paper, Deep attention fuzzy cognitive maps for interpretable multivariate time series prediction, doi: https://doi.org/10.1016/j.knosys.2023.110700, 尽管时间序列预测被广泛用于估计各行业复杂系统的未来状态，但准确、可解释和可推广的方法在用于进行长期非平稳预测时仍然受到限制。为此，本文提出了深度注意力模糊认知图谱（DAFCM），它由时空模糊认知图谱（STFCM）、长短期记忆（LSTM）神经网络、时间模糊认知图谱（TFCM）和残差结构组成。首先，改进的注意机制用于构建时空模糊认知图，捕捉节点对的空间相关性和各个节点的时间相关性。其次，将通过STFCM更新的节点状态输入到LSTM中，捕捉这些序列的长期趋势，改进时间注意力的 TFCM 应用于时间序列中的非平稳问题。最后，我们将先前节点的状态值添加到 DAFCM 中，并通过线性变换构建残差结构，以防止长期反向传播中的梯度爆炸和梯度消失。通过结合模糊认知图（FCM）的可解释性和深度学习的高预测精度，DAFCM可用于完成多领域的多变量长期非平稳时间序列预测等任务，其有效性通过6个公开验证跨越 9 个基线的数据集。我们将先前节点的状态值添加到 DAFCM 中，并通过线性变换构建残差结构，以防止长期反向传播中的梯度爆炸和梯度消失。通过结合模糊认知图（FCM）的可解释性和深度学习的高预测精度，DAFCM可用于完成多领域的多变量长期非平稳时间序列预测等任务，其有效性通过6个公开验证跨越 9 个基线的数据集。我们将先前节点的状态值添加到 DAFCM 中，并通过线性变换构建残差结构，以防止长期反向传播中的梯度爆炸和梯度消失。通过结合模糊认知图（FCM）的可解释性和深度学习的高预测精度，DAFCM可用于完成多领域的多变量长期非平稳时间序列预测等任务，其有效性通过6个公开验证跨越 9 个基线的数据集。