本文总结了两篇关于时间序列分类与感知的前沿论文，分别应对了模态异构与标签噪声带来的现实挑战。
第一篇针对物理惯导（IMU ）与文本对齐不精准的问题提出了Vistar框架，创新性地使用视频作为中间桥梁，结合离线跨模态对比学习与在线检索增强生成（RAG ），赋能大语言模型对复杂传感器信号的理解与感知。第二篇针对时序学习的标签噪声难题提出DREAM，摒弃传统过滤法，从邻域和模型双重数据中心视角分离干净与噪声样本，通过循环特征插值（MixUp）充分利用噪声数据，显著提升了泛化与抗噪鲁棒性。
我整理了2篇论文完整架构图+核心算法和零上手复现教程，感兴趣的可以dd，希望能帮到你！
一、论文1：【上海交通大学】Vistar: Enhancing the Perception Capability of LLMs under Imprecise IMU-Text Alignment
方法：
-
桥接对齐：离线阶段以视频为中间桥梁，利用多粒度对比学习捕捉全局和局部时序特征，将IMU编码器与文本空间对齐。
-
图引导检索：在线推理时，利用IMU结构关系构建锚点-集群的语义关系图。
-
计算公式：通过联合全局与局部的跨模态匹配目标函数实现模型优化：
-
增强生成：无需微调，直接将检索到的文本与图结构提示输入大模型，生成精确的动作描述。
创新点：
-
构建了首个自监督LLMs信号感知框架，解决了IMU信号与高层语义间对齐不精准且缺乏标注的难题。
-
设计了一套基于传感器物理相似性（如图中心节点与邻居跳数）的在线RAG机制，大幅减少了模态异构带来的幻觉，在跨模态检索检索中效果提升显著。
二、论文2：【东北大学】Dual Data-centric Separation with Circular Mixup for Noise-resistant Time Series Learning
方法：
-
双视角分离：依赖邻域亲和力生成伪标签并计算伪边界，结合模拟的错误标签样本，动态估计阈值以分离干净与噪声样本。
-
循环混合：将干净与噪声样本抛入连续的特征嵌入空间进行软插值操作，计算公式如下（其中 为混合强度）：
-
一致性学习：引入差异感知模块，最小化同一增强数据下干净集与噪声集的预测概率变化，促使模型充分利用噪声信号进行鲁棒表征学习。
创新点：
-
打破了传统基于当前训练损失过滤样本的局限，通过数据特征与模型动态两个中心视角，实现了高噪环境更精准的样本切分。
-
探索了一种新颖的循环MixUp方式和细粒度的一致性正则化，不仅阻断了错误标签的记忆积累，还有效地稀释了噪声，变废为宝提升了时序检测的泛化性能。