ANYECG: FOUNDATIONAL MODELS FOR ELECTROCARDIOGRAM ANALYSIS (ICLR 2025) (A会)核心内容解决了现实中 ECG 数据的异质性、低信噪比、人口统计学差异、隐式心律 - 事件关联难以捕捉四大核心问题通过两阶段自监督预训练实现了对任意场景、设备采集的 ECG 信号的鲁棒表征学习在异常检测、心律失常检测、受损导联生成、超长 ECG 分析等下游任务中全面超越当前 SOTA 方法。Counterfactual Explainable AI (XAI) Method for Deep Learning-Based Multivariate Time Series Classification (AAAI 2026) (A会)核心内容提出了一种名为 CONFETTI 的反事实解释生成方法专门用于多变量时间序列分类任务中的深度学习模型解释。目标生成多目标优化的反事实解释兼顾以下三个方面置信度反事实样本属于目标类别的概率要高稀疏性改动的时间步和通道尽可能少接近性改动幅度尽可能小。方法流程四步选择目标样本找到与原样本类别不同且距离最近的样本NUN识别关键子序列使用类激活图CAM定位对预测最重要的子序列生成初始反事实用NUN的对应子序列替换原样本多目标优化使用NSGA-III算法优化置信度、稀疏性和接近性生成一组反事实样本。Finding Time Series Anomalies using Granular-ball Vector Data Description (AAAI 2026) (A会)核心内容提出了一种名为GBOCGranular-ball One-Class Network 的新型时间序列异常检测方法通过学习紧凑、高密度的粒球表示构建一个能够精准描述正常模式、同时有效隔离异常的时间序列异常检测模型。