实验室中稿3篇ICML文章

发布时间:2025-05-05浏览次数:473

      近日,第42届国际机器学习会议(The 42nd International Conference on Machine Learning, ICML 2025)公布了录用论文列表,组里博四学生柳真、博一学生黎泊远、研二硕士生罗奕城各有一篇论文被录用,题目分别为:“Learning Soft Sparse Shapes for EfficientTime-Series Classification”、“HyperIMTS: Hypergraph Neural Network forIrregular Multivariate Time Series Forecasting”、“Hi-Patch: HierarchicalPatch GNN for Irregular Multivariate Time Series”。值得一提的是,研二硕士生罗奕城同学作为第一作者已收获了NeurIPS和ICML两篇顶会论文。

      ICML是人工智能领域最具影响力的顶级学术会议之一,被中国计算机学会(CCF)评为A类国际会议,与NeurIPS和ICLR并称为人工智能与机器学习领域的三大权威国际顶会。据ICML官方统计,今年大会共收到12107篇投稿,较去年增加了28%,共有3260篇论文被接收,接收率为26.9%。其中,柳真同学的论文入选为“spotlight posters”,入选率仅为2.6%。 


1、论文题目:Learning Soft Sparse Shapes forEfficient Time-Series Classification

 

作者:Zhen Liu, Yicheng Luo, Boyuan Li,Emadeldeen Eldele, Min Wu, Qianli Ma*

 

论文简介:Shapelets是时间序列分类中具有高可解释性的一组判别子序列(或Shapes)。选择shapelets的过程一般是非常耗时,现有的基于shapelets的方法主要侧重于选择判别性Shapes,同时丢弃其他Shapes以实现候选子序列的稀疏化。然而,上述方法可能会排除有利于分类的Shapes,并忽视了已选择的Shapes在分类性能上的贡献差异。因此,我们提出了软稀疏Shapelets模型,用于时间序列的高效分类。我们的方法主要包括软Shape稀疏化和软Shape学习块。前者根据分类贡献分数将Shapes转换为软表示,将得分较低的Shapes合并为一个形状,以保留和区分所有子序列信息。后者用于形状内和形状间的时序模式学习,通过使用稀疏的软形状作为输入来提高模型的计算效率。特别地,我们使用了一个可学习的路由器来激活特定类别的专家子网络,以进行形状内时序模式学习。同时,我们利用一个共享专家网络将稀疏的软形状转换为序列来学习形状间时序模式。大量实验表明,我们提出的SoftShape模型的性能优于最先进的方法,并且具备较好的可解释性。

 

模型代码:稍后更新。


2、论文题目:HyperIMTS: Hypergraph NeuralNetwork for Irregular Multivariate Time Series Forecasting

 

作者:Boyuan Li, YichengLuo, Zhen Liu, Junhao Zheng, Jianming Lv, Qianli Ma*

 

论文简介:不规则多变量时间序列(IMTS)在变量内部具有不规则的时间间隔,并且变量之间的观测值未对齐,这给学习时间以及变量的依赖关系带来了挑战。许多现有的不规则多变量时间序列模型要么需要填充样本分别从时间维度和变量维度学习,要么通过二步图或集合来表示原始样本。然而,前者往往需要处理额外的填充值,这会影响效率并扰乱原始采样模式,而后者则在捕捉未对齐观测值之间的依赖关系方面存在局限性。为了以统一的形式表示和学习原始不规则数据中的时间和变量依赖关系,我们提出HyperIMTS模型,一种用于不规则多变量时间序列预测的超图神经网络。观测值被转换为超图中的节点,通过时间关系和变量关系的超边相互连接,以在所有观测之间实现信息传递。通过不规则感知的信息传递,HyperIMTS 以时间自适应的方式捕获变量依赖关系,从而实现准确的预测。实验表明,HyperIMTS在低计算成本的情况下,在不规则时序预测方面的性能与最先进的模型相当。

 

 

模型代码:稍后更新。



3、论文题目:Hi-Patch: Hierarchical PatchGNN for Irregular Multivariate Time Series

 

作者:Yicheng Luo, Bowen Zhang, ZhenLiu, Qianli Ma*

 

论文简介:不规则多变量时间序列(IMTS)在现实应用中十分常见,其中不同变量具有不同的原始采样尺度。现有多尺度时间序列分析方法往往对所有变量采用统一的处理方式而无法适用于IMTS。为了填补IMTS多尺度分析的空白,本文提出了Hi-Patch,一种层次化分块图神经网络。Hi-Patch首先在短时间跨度内构建intra-patch graph来捕捉密集变量的细粒度依赖,然后通过逐层聚合构建inter-patch graph来提取所有变量的粗粒度特征。这种自底向上的层次化架构能够自适应地处理不同变量的原始采样尺度差异,同时有效建模变量间的同步和异步相关性。Hi-Patch在预测和分类任务上均优于现有方法,并展现出对数据尺度特性的良好适应性。

 

 

模型代码:稍后更新。