paper list
KDD2019
Robust High Dimensional Stream Classification with Novel Class Detection
Zhuoyi WANG (University of Texas at Dallas)*; Zelun Kong (University of Texas at Dallas); Swarup Chandra (University of Texas at Dallas); Hemeng Tao (The University of Texas at Dallas); Latifur Khan (The university of Texas at Dallas)
TARDIS: Distributed Indexing Framework for Big Time Series Data
liang zhang (WPI)*; Noura S Alghamdi (WPI); Mohamed Y. Eltabakh (Worcester Polytechnic Institute); Elke Rundensteiner (WPI)
Deep leanring or machine learning on time series with mixed sampling rate
Autoregressive Convolutional Neural Networks for Asynchronous Time Series: ICML 2019
异：
- 处理的是多维时间序列数据
- 针对非同步数据，并未和我们一样，训练一个能够用于多种采样率的模型，而是将[多维时间序列，序列指示剂，采样间隔]合并成为多维时间序列，然后输入到网络中
- 使用类似自回归模型的算法，对时间序列模型进行预测
- 使用cnn进行序列学习
同：
- 没什么相同的
Deep leanring or machine learning on time series with missing value
近年来一些顶会文章或者是比较重要的文章，并列出与我的工作的异同点（NIPS20的投稿）
Data Augmentation (Specifically for rhythmic time series, e.g. ECG, EEG, etc..)
一般来讲，针对ECG/EEG数据的分类、异常检测等任务，都存在严重的数据不平衡问题。这些数据增强方法一般用于丰富样本较少的类别。
大量的工作集中于使用GAN/VAE等生成模型建立数据的分布，然后从分布中生成采样。以下的方法是一些在显空间数据上进行数据增强的简单方法。