FormerTime / ConvTimeNet
代表了我们在层次化多尺度建模、卷积式表征提取与高质量分类特征学习方面的持续积累。
多尺度表征
判别学习
时序分类
页面概览
这一页聚焦 USTC-AGI 研究组在时间序列分类与异常检测方向的代表性工作、典型场景和可访问资源。
时间序列分类
我们围绕单变量与多变量时序的判别表征学习持续开展研究，关注从传统判别建模到多模态语言建模、 从监督分类到跨域迁移与 zero-shot 理解的能力拓展。
InstrucTime / InstructTime++ / HiTime
把语言建模与语义对齐能力引入时序分类任务，推进从纯数值判别走向多模态理解与指令驱动分类。
多模态语言建模
语义对齐
指令微调
时间序列异常检测
我们关注工业与真实环境中的无监督、少样本与上下文感知异常检测问题， 重点探索从模式感知、误报抑制到 Agent 式诊断分析的完整方法链。
AnomaMind
结合多粒度模式感知、上下文推理与可解释报告生成，面向工业时序场景提供更稳健的异常检测能力。
工业时序
无监督
少样本
诊断报告
从标准 benchmark 到真实诊断任务
覆盖 MSL、SMAP、SMD、PSM、SWaT 等标准基准，并关注工业设备运行状态、流程异常与事件级报警分析。
MSL
SMAP
SMD
PSM
SWaT
更多数据与评测内容持续整理中
代表性工作
FormerTime / ConvTimeNet
代表了从层次化时序表示到卷积式分类建模的核心工作积累。
InstrucTime / InstructTime++ / HiTime
代表了把语言模型、多模态语义和指令学习引入时间序列分类任务的路线。
AnomaMind
代表了面向工业场景的 Agent 式异常检测与上下文推理分析能力。
活动识别 / 故障诊断 / 医疗事件 / 工业质检
覆盖从标准 benchmark 到真实应用诊断任务的多类典型场景。