喜报 | 我所一篇时间序列分类的工作被国际顶级会议KDD2025录用

发布时间：2025年05月19日

      由我所师生合作完成的一篇论文Loss or Gain: Hierarchical Conditional Information Bottleneck Approach for Incomplete Time Series Classification被国际顶级学术会议KDD 2025录用，论文主要由我所硕士生张烁，聂士钦，朱维康以及博士生岳景杭在王晶老师和林友芳老师的指导下完成。

      时间序列分类在医疗、工业监测等领域展现出广泛的应用价值。然而，实际场景中的数据缺失问题使得不完整时间序列分类研究更具实际意义与挑战性。传统的两阶段策略或单阶段联合建模方法存在两个关键局限性：第一，过度强调缺失值插补的数据重构一致性，忽视填充结果对分类任务的有效性；第二，未能系统建立数据插补与特征表示之间的协同优化机制。 针对上述挑战，本研究提出层次条件信息瓶颈框架（HCIB），通过端到端联合优化实现不完整时间序列分类。具体来说，在数据插补层面，我们重新审视了数据缺失的双重影响：在损失关键信息（Loss）的同时抑制信息干扰（Gain），并基于偏差-方差理论阐释这种双重影响的机理，在此基础上提出任务信息充分性准则，创新性地引入标签信息条件约束机制，将标准信息瓶颈理论扩展为任务（监督）驱动的填充框架；在特征表示层面，构建层次化信息瓶颈架构，在插补后的任务导向数据上学习紧凑且信息丰富的时序表征。在多领域多变量与单变量时间序列数据集进行的实验一致表明，本方法相较现有技术展现出显著的分类性能提升。