论文名称：多元时间序列的无监督表示学习 (NeurIPS2019)
https://arxiv.org/abs/1901.10738
Unsupervised Scalable Representation Learning for Multivariate Time Series
在本文中，作者提出一种无监督方法来学习时间序列的嵌入。与以前的工作不同，本文使用扩张卷积和triplet loss进行无监督学习，获得了可变长时间序列表示和多元时间序列。
具有时间邻域编码的时间序列的无监督表示学习(ICLR2021)
Unsupervised Representation Learning for Time Series with Temporal Neighborhood Coding
https://openreview.net/forum?id=8qDwejCuCN
时间序列通常复杂且信息丰富，但标记稀疏，因此建模具有挑战性。在本文中，作者提出了一个自监督框架，用于学习时间序列的鲁棒性和generalizable表示。作者的方法称为时间邻域编码 (TNC)，它利用信号生成过程的局部平滑性来及时定义具有平稳属性的邻域。使用debiased对比目标，作者通过确保在编码空间中，来自邻域内的信号分布与非相邻信号的分布可区分来学习时间序列表示。与最近开发的无监督表示学习方法进行比较，并在多个数据集的聚类和分类任务上展示了卓越的性能。
论文名称：Time-Series Representation Learning via Temporal and Contextual Contrasting
https://arxiv.org/pdf/2106.14112.pdf
https://github.com/emadeldeen24/TS-TCC
从具有时间动态的未标记时间序列数据中学习体面的表示是一项非常具有挑战性的任务。在本文中，作者通过时间和上下文对比（TS-TCC）提出了一个无监督的时间序列表示学习框架，从未标记的数据中学习时间序列表示。
首先，通过使用弱增强和强增强将原始时间序列数据转换为两个不同但相关的视图。其次，作者提出了一种新颖的时间对比模块，通过设计一个跨视图预测任务来学习鲁棒的时间表示。
最后，为了进一步学习判别表示，作者提出了一个基于时间对比模块的上下文的上下文对比模块。它试图最大化同一样本的不同上下文之间的相似性，同时最小化不同样本的上下文之间的相似性。
论文在三个真实世界的时间序列数据集上进行了实验。结果表明，提出的 TS-TCC 学习的特征之上训练线性分类器的性能与监督学习相当。此外，提出的 TS-TCC 在少标记数据和迁移学习场景中显示出高效率。
论文名称：Two Influence Maximization Games on Graphs Made Temporal
论文链接：https://arxiv.org/pdf/2105.05987.pdf
为了解决现实世界网络的动态性，作者将竞争扩散game和Voronoi博弈从静态图表概括为时间图表，其中边可能随着时间的推移出现或消失。这为图博弈领域建立了一个新的研究方向，并受到影响传播等应用的推动。
