“时刻序列”成为顶会收割机！高分立异点一览！

  。并且立异根本就是在现有根底上进行组合与改善就ok，上手难度不大，很值得一试。

  这儿主张论文er在研讨前期多看一些研讨成果，了解了解技能发展再考虑进一步找切入点。我直接打包了85篇最新顶会论文，从根底到前沿全掩盖，根本都是高分立异点，能帮你节约许多找材料的时刻。助你快速定题冲顶会！

  聚集多模态时刻序列剖析，体系梳理了有关数据集与办法。先指出数据异质性、模态空隙等应战，再提出交融、对齐、搬迁三类跨模态交互结构，按输入、中心、输出层级分类现有办法，还探讨了多范畴使用，最终展望了推理、决议计划等未来研讨方向。

  探求了零样本设置下大言语模型（LLMs）在时刻序列猜测中的偏好与功能。发现 LLMs 擅于猜测有明晰趋势和季节性的数据，对输入序列结尾更灵敏，且能辨认数据周期性。提出融入外部常识和自然言语转述两种办法，有用提升了猜测精度。

  聚集视觉模型在时刻序列剖析中的使用，指出其相比大言语模型的优势，如适配接连数据、易编码多变量相关性等。提出时刻序列转图画、图画化时刻序列建模的两层视角分类法，包括多种转图画办法与不一样视觉模型，还探讨了预处理、后处理应战及未来研讨方向，为该范畴供给全面指引。

  为处理传统模型适配性差、缺少零样本猜测才能等问题，该论文提出 ChatTime 模型，将时刻序列视为 “外语”，经过归一化、离散化等处理完成与文本的一致处理。模型支撑双模态输入输出，具有零样本猜测才能，构建了有关数据集，在零样本猜测、上下文引导猜测等使命中体现优异。