时间序列这个方向，可谓经久不衰，但现在它已经相当之卷了...那么今年，还有什么可以做的？我推荐不规则时间序列（irregular）。
众所周知，不规则时间序列研究处理的是相邻观测值时间间隔不一致的数据，这类数据现在越来越多，需求越来越大（智能传感设备的普及），所以这方向近年来越发受重视，而且已经发展到了和深度学习前沿模型结合的阶段。
这点可以从顶会上相关论文的数量和主题上看出，比如效率提升25倍的ICLR25高分成果。不过尽管如此，这方向还是有不少“低垂果实”的，比如可以尝试ViT+时序、更高效的架构设计、预训练与表示学习（谷歌PAITS）、可解释性与异常检测（医疗/金融偏爱）...
本文整理了10篇不规则时间序列前沿论文，包含顶会+高区成果，开源代码已附。如果有论文er对这方向感兴趣，可以直接拿来做参考。
扫码添加小享，回复“不规则时序”
免费获取全部论文+开源代码
Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series
ICLR2025 Oral 获得了8/8/8/8的高分
方法：论文提出了一种名为ACSSM的方法，专门用于处理不规则时间序列。它通过构建连续动态系统并利用变分推断和随机最优控制理论来近似复杂的条件动态。ACSSM还引入了辅助变量和基于Transformer的并行计算框架，提高了效率和可扩展性。
创新点：
提出多边际Doob的h变换，扩展了条件SDE的理论，使其能够依赖于未来的观测数据。
将条件SDE的模拟问题转化为随机最优控制问题，通过变分推断算法建立了与Doob的h变换的联系，提出紧密的ELBO。
引入辅助变量和基于Transformer的数据同化方案，实现模拟无关性和平行推理。
Irregular Multivariate Time Series Forecasting: A Transformable Patching Graph Neural Networks Approach
方法：论文提出T-PATCHGNN方法，将不规则多变量时间序列转化为时间分辨率统一的可转换补丁，再用时间自适应图神经网络建模动态相关性，有效解决不规则性与异步性问题，提升预测性能。
创新点：
提出可转换补丁方法，将不规则单变量时间序列转化为时间分辨率统一的补丁，避免预对齐导致的序列长度爆炸问题。
引入时间自适应图神经网络，基于学习到的时间变化自适应图结构，建模动态的序列间相关性。
在多个真实世界数据集上验证了该方法的优越性，证明了其在不规则多变量时间序列预测中的有效性。
扫码添加小享，回复“不规则时序”
免费获取全部论文+开源代码
CAMEF: Causal-Augmented Multi-Modality Event-Driven Financial Forecasting by Integrating Time Series Patterns and Salient Macroeconomic Announcements
方法：论文介绍了一个叫CAMEF的模型，它通过结合文本和时间序列数据，利用因果学习和多模态融合技术，来预测金融市场的变化，特别适合处理不规则的时间序列数据。
创新点：
提出CAMEF框架，将文本数据（如宏观经济事件公告）和时间序列数据（如股票价格）相结合，用于金融预测。
引入因果学习机制，通过分析事件与市场反应之间的因果关系，提升模型对金融事件的理解能力。
利用LLM生成反事实事件，增强训练数据的多样性，从而提高模型在不规则时间序列预测中的性能。
TimeCHEAT: A Channel Harmony Strategy for Irregularly Sampled Multivariate Time Series Analysis
方法：TimeCHEAT是一个处理不规则时间序列的框架，它通过结合局部的通道依赖策略和全局的通道独立策略，以及利用二分图结构进行时间嵌入学习，有效提升了不规则时间序列的分析性能，适用于分类、插值和预测等任务。
创新点：
提出TimeCHEAT框架，结合局部通道依赖（CD）和全局通道独立（CI）策略，有效处理不规则时间序列。
利用二分图结构进行时间嵌入学习，避免对时间间隔的假设，提高模型泛化能力。
在分类、插值和预测等任务中表现出色，适用于多种不规则时间序列分析场景。
扫码添加小享，回复“不规则时序”
免费获取全部论文+开源代码
