组内时间序列研究方向再添一项重要成果！组内博士生柳真的论文《EvoShape: Evolutionary Diffusion Shapelet Search for Semi-Supervised Time-Series Classification》被国际期刊 IEEE; Transactions on Systems, Man, and Cybernetics: Systems（TSMC）接收。TSMC 是 IEEE 系统中人与控制论学会的旗舰期刊，投稿竞争激烈、审稿要求严苛。研究自 2024 年初启动实验，联合大连理工大学与惠灵顿维多利亚大学的合作师生共同推进，2024 年9 月投稿后历经两次拒稿、一次拒稿重投、两次大修、三次小修，从初步实验到最终中稿历时近三年，成果来之不易，可喜可贺。
论文题目：EvoShape: Evolutionary ;Diffusion Shapelet Search for Semi-Supervised Time-Series Classification
作者：Zhen Liu, Wenbin Pei, Ruohao Dai, Bing Xue, Mengjie Zhang, and Qianli Ma
论文简介：深度学习显著推动了复杂系统工程问题半监督时间序列分类（TSC）建模的发展，但其黑箱特性往往难以满足安全关键场景下对可解释性的要求。Shapelet 作为具有判别性的子序列，能够增强 TSC 结果的可解释性；然而现有基于 Shapelet 的方法多面向全监督任务，在标注数据有限时性能下降明显。因此，本文提出一种基于预训练扩散模型的进化式 Shapelet 搜索框架（EvoShape），用于半监督 TSC。该框架采用权重冻结、以子序列为条件的预训练扩散模型，通过免梯度的优化过程生成 shapelet；同时引入基于遗传算法的进化式 Shapelet 搜索范式用于模型微调，从而同时提升可解释性与分类性能。在 106个 UCR 数据集上的实验表明，EvoShape 优于现有方法；消融实验与可视化结果进一步验证了其在保持良好分类性能的同时，所生成 Shapelet 具备较好的可解释性。
