继前期多项时间序列研究成果之后，组里硕士生曾坤的论文《Hi-Time: Hierarchical Latent Prediction for Multivariate Time Series Classification》近日获国际机器学习大会（International Conference on Machine Learning, ICML 2026）录用。这篇文章经历了从初审低分到 rebuttal 后评委一致提分的逆转，来之不易。ICML 作为机器学习领域的顶级国际会议、CCF A 类会议，第 43 届将于 2026年 7月 6 日-11 日在韩国首尔举行，汇聚全球人工智能与机器学习领域的前沿研究成果。
论文题目：Hi-Time: Hierarchical Latent Prediction for Multivariate Time Series Classification
作者：Kun Zeng, Binquan Wu, Qianli Ma*
论文简介：将大语言模型（LLM）引入时间序列任务已取得出色的性能。一些工作尝试通过在提示中显式设计逐步推理来提升准确率，但此类显式思维链（Chain-of-Thought, CoT）方法难以推广到时间序列上，原因在于时间序列的推理轨迹难以被清晰定义；此外，时间序列之间的高度异质性往往需要专门设计提示，限制了模型的可扩展性。为应对这些挑战，我们提出了 Hi-Time，一种面向多变量时间序列分类、基于时序语义编码的分层隐式预测框架。该框架能够根据时间序列的特性，自动构建场景特定的由粗到细的预测轨迹，从而为 LLM 提供结构化的监督信号。具体而言，Hi-Time 首先通过多视角时序表示融合进行时序表示预训练，以获得高质量的时序嵌入；随后将这些时序嵌入离散化为分层的时序语义编码，构成由粗到细的预测轨迹；最后，LLM 以逐步的方式预测时序语义编码并推断最终标签，从而建立由粗到细的决策过程。在十个公开多变量时间序列数据集上的大量实验表明，Hi-Time 能够有效适配多样化的数据集，并超越了现有最先进方法。
GitHub链接：https://github.com/qianlima-lab/Hi-Time