NeurIPS，全称神经信息处理系统大会(Conferenceand Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的顶级国际会议。该会议固定在每年的12月由 NeurIPS 基金会主办，被中国计算机协会推荐为A类会议。
NeurIPS 是由连接学派（connectionist）神经网络的学者于1987年在加拿大创办，后来随着影响力逐步扩大，也曾移师美洲、欧洲等地举办。早年发布在 NeurIPS 中的论文包罗万象，从单纯的工程问题到使用计算机模型来理解生物神经元系统等各种主题。近几年主题主要以机器学习，人工智能和统计学为主。
今年 NeurIPS 2024 总接受论文投稿数 15671 篇，其中录取数超 4000 篇论文，录取率约为 25.8%， 略低于 2023 年的 26.1%。接收论文列表可以访问如下链接获取：
https://nips.cc/virtual/2024/papers.html?filter=titles
本文盘点了 NeurIPS 2024 有关时间序列领域的最新研究成果 61 篇，供大家参考:
时间序列预测：26篇
时间序列检测：4篇
时间序列补全：1篇
时间序列分类：1篇
时间序列生成：5篇
时间序列数据处理：6篇
时间序列图：5篇
时序建模与深度学习：6篇
预训练：3篇
时空分析：4篇
![]()
星球内整理有历年顶会时间序列论文，包括PDF原文、代码以及解读，帮助您轻松跟踪时间序列领域的最新研究成果。目前已更新 270+ 条内容，7 个专栏，涵盖时序视频课程、顶会论文合集、每周学术速读、精选问答等内容，提供专注于时间序列科研与产业的最前沿学习资料。
![]()
目前已有 250+ 同行小伙伴加入。星球价格随内容丰富度和成员数的增加而上涨，越早加入越划算，福利多多，欢迎感兴趣的同学加入~
Parsimony or Capability? Decomposition Delivers Both in Long-term Time Series Forecasting【论文地址】https://arxiv.org/abs/2401.11929【论文摘要】长期时间序列预测（LTSF）是时间序列分析中的一个关键前沿领域，其特点在于输入序列广泛，与传统方法通常采用的较短跨度形成鲜明对比。虽然较长的序列本质上提供了更丰富的信息以提高预测精度，但现有研究往往通过增加模型复杂性来应对这一挑战。这些复杂的模型可能会膨胀到包含数百万个参数，从而导致参数规模庞大，难以承受。我们的研究通过理论和实证两方面证据表明，分解是控制模型过度膨胀的关键，同时能在各种数据集上实现一致且优越、稳健的结果。尤为引人注目的是，通过使分解适应时间序列数据的内在动态，我们提出的模型在使用参数数量比大多数竞争方法少99%以上的情况下，仍优于现有基准。通过这项工作，我们旨在利用领域特性来释放有限参数集的强大功能——这适时地提醒我们，在长期时间序列预测领域，规模更大并不总是意味着更好。
CycleNet: Enhancing Time Series Forecasting through Modeling Periodic Patterns【论文地址】https://arxiv.org/abs/2409.18479【论文源码】https://github.com/ACAT-SCUT/CycleNet【论文摘要】时间序列数据中存在的稳定周期性模式为进行长期预测提供了基础。本文率先探索了明确建模这种周期性以增强长期时间序列预测（LTSF）任务中模型性能的方法。具体而言，引入了残差周期预测（RCF）技术，该技术利用循环周期来建模序列中固有的周期性模式，然后对建模周期的残差部分进行预测。将RCF与单层线性模型或双层多层感知器（MLP）相结合，构成了本文提出的简单而强大的方法，称为CycleNet。CycleNet在电力、天气和能源等多个领域实现了最先进的预测精度，同时通过将所需参数数量减少90%以上，提供了显著的效率优势。此外，作为一种新颖的即插即用技术，RCF还可以显著提高现有模型的预测精度，包括PatchTST和iTransformer。BackTime: Backdoor Attacks on Multivariate Time Series Forecasting【论文地址】https://arxiv.org/html/2410.02195v1【论文源码】https://github.com/xiaolin-cs/BackTime【论文摘要】多元时间序列（MTS）预测是一项具有众多实际应用的基础任务，这些应用包括交通、气候和流行病学等领域。尽管已经为此任务开发了许多强大的深度学习模型，但很少有工作探索了MTS预测模型对恶意攻击的鲁棒性，这对于在高风险场景下可信地应用这些模型至关重要。为了弥补这一空白，我们深入研究了针对MTS预测模型的后门攻击，并提出了一种有效的攻击方法BackTime。通过巧妙地将少量“隐蔽触发器”注入到MTS数据中，BackTime可以根据攻击者的意图改变预测模型的预测结果。具体而言，BackTime首先识别数据中的易受攻击的时间戳以进行投毒，然后通过求解一个基于图神经网络（GNN）的触发器生成器的双层优化问题，自适应地合成隐蔽且有效的触发器。在多个数据集和最新的MTS预测模型上进行的广泛实验证明了BackTime攻击的有效性、通用性和隐蔽性。From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection【论文地址】https://arxiv.org/abs/2409.17515
