近日，国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI，影响因子 18.6）正式发来录用通知，组内博四学生柳真与研二学生曾坤合作完成的研究论文《CompleMatch: Boosting Time-Series Semi-supervised Classification with Temporal-Frequency Complementarity》成功入选，标志着团队在时间序列分析领域的研究再获权威认可。
TPAMI 是国际模式识别与机器学习领域的顶刊，被中国计算机学会（CCF）评为 A 类期刊，以严苛的评审标准和高水平的学术影响力著称，其发表成果代表了相关领域的前沿研究方向。该论文自去年 9月 30 日投稿，历经 1 年多的多轮评审与打磨，最终凭借扎实的研究基础、创新的技术思路顺利录用，充分彰显了成果的学术价值与严谨性。
论文题目：CompleMatch: Boosting Time-Series Semi-supervised Classification with Temporal-Frequency Complementarity
作者：Zhen Liu, Kun Zeng, Qianli Ma*, James T Kwok
论文简介：时间序列半监督分类（SSC）旨在通过利用大量未标记数据，在标记样本有限的场景中提升模型性能。以往的方法主要侧重于利用时间域内的时间依赖性进行SSC。然而，这些时间依赖性容易受到采样噪声的影响，可能无法有效捕捉跨类别特征的全局周期性。为此，我们提出了一个名为CompleMatch的时间序列SSC框架，利用时间和频率表示的互补信息进行无标签数据学习。CompleMatch 同时训练两个基于时域和频域视图的深度神经网络，通过标签传播在表示空间中生成伪标签，指导对方视图的分类器训练。在这种共训练范式中，我们引入约束项以利用时间频率表示的互补性，从而增强模型在有限标签数据下的鲁棒性。此外，我们设计了一个时频对比学习模块，整合监督和自监督信号，通过学习更具判别性的表示来提升伪标签质量。
GitHub链接：https://github.com/ZLiu21/CompleMatch