【课题推荐发表期刊】

【课题背景】

在现实世界中，时间序列数据经常展现出复杂的动态特性和非平稳性，会随着时间、环境或其他因素呈现动态分布的特征。尽管在训练数据集上表现良好，但当遇到分布外数据时，模型性能往往会显著下降。尤其在金融市场预测、异常检测、智能电网优化等领域，都严重限制着时间序列模型的实用性。

本课题旨在探索提升时间序列模型的Out-of-Distribution泛化能力，使其能够适应数据分布的变化，并在分布外数据上保持稳健的预测性能，解决时间序列数据在实际应用中常见的泛化问题。

【课题方向参考】

• 设计新颖的数据增强方法，针对时间序列数据特点，引入扰动和变换，增加数据多样性，提高模型泛化能力。

• 探索元学习范式在时间序列Out-of-Distribution问题中的应用，学习快速适应新数据分布，实现更佳泛化。

• 研究因果机制在时间序列建模中的作用，利用因果关系增强模型的外推能力和鲁棒性。

• 结合领域专业知识与数据驱动方法，引入先验知识和物理规律，提升模型泛化性能。

【适合人群】

计算机科学相关专业的硕士研究生，对时间序列分析任务及应用感兴趣，需具备一定的机器学习和深度学习研究基础，熟悉pytorch框架。

【课题收获】

• 高质量论文一篇（CCF定向期刊）

• CCF期刊投递与发表指导

• 结业证书

【导师介绍】

Dr. Chen，QS世界大学排名前100高校博士

• 长期担任多个顶级期刊/会议的审稿人，包括IEEE TNNLS、IEEE TKDE、CVPR、ICCV、IJCAI、NeurIPS、ICLR、ICML、AAAI、KBS等

• 研究方向：计算机视觉、时间序列、联邦学习、AI4Science等；

• 以第一作者身份，在行业顶尖期刊/会议上发表超过20篇论文，包括IEEE TGRS、IEEE JBHI、Knowledge-Based System、IJCAI、NeurIPS、ICLR等

• 具备丰富的英文写作经验和学术指导经验；熟练使用Python、掌握 Java、掌握C++, 熟练使用Pytorch、Tensorflow、Keras，能够根据不同的实际任务独立搭建网络模型、训练、测试和调优，熟悉掌握数据集预处理技巧，可以在Linux上进行模型训练、调优；熟悉Transformer、RNN、CNN等常用网络模型

【课题安排】

研究周期预估六个月左右，具体视学员情况调整

【推荐阅读】

• 2021-Machine Learning Advances for Time Series Forecasting

• 2023-Towards out-of-distribution generalization_ A survey

• 2023-Transformers in Time-series Analysis: A Tutorial

• 2024-Self-Supervised Learning for Time Series Analysis: Taxonomy, Progress, and Prospects