报告名称：面向自适应、可解释和可扩展的深度时间序列分析

报告时间：1月10日10:00-11:00

报告地点：理科大楼B1002

报告摘要:

随着气象、能源、金融、交通等行业数字化与信息化的迅猛发展，日常生产生活产生的数据呈爆炸式增长。这些数据反映了从微观的人和机器设备到宏观的社会与自然的运行状态，蕴含着巨大价值。鉴于其具备时间属性，因此被统一作为时间序列数据进行建模处理。然而，时间序列建模面临着诸多复杂挑战。相较于传统机器学习任务中数据样本所遵循的独立同分布假设，时间序列数据在时空维度展现出复杂的分布动态变化特性，这就对模型提出了实时适配数据分布变化的能力要求。另外，时间序列中普遍存在长距离依赖关系，其待建模序列时长跨度极大，从数小时到数天乃至数周不等，这使得模型的可扩展性成为不容忽视的重要特性。最后，从应用角度来看，时间序列分析的核心目标在于为决策制定提供精准且可靠的依据，所以分析过程与结果的可解释性成为关键要素。针对上述时间序列分析领域所面临的诸多挑战和关键问题，本系列研究工作创新性地提出了一种全新框架体系。这一框架体系在自适应、解释性和可扩展性这三个关键维度相较于现有的方法均实现了显著的突破与提升。该框架为时间序列数据分析处理领域开辟了全新的研究范式，有力推动该领域技术发展与实践创新。

报告人简介:

邓锦亮，香港科技大学博士后，合作导师为周晓方教授。2017年本科毕业于北京大学信息科学技术学院，2019年硕士毕业于香港科技大学计算机科学与技术系，2024年博士毕业于悉尼科技大学澳大利亚人工智能研究院。研究方向主要为时间序列分析及其在智慧城市等场景的应用，目前已在NeurIPS、KDD、IJCAI、TKDE、TKDD等高水平会议和期刊上发表论文10余篇。