lized Signature Method（GSM）是一种对多变量时间序列特征提取的一般化方法。其架构主要包含四个部分：数据增强、窗口设定、特征提取、尺度放缩。其中数据增强主要有三种作用，分别是敏感性引入、降维以及新信息引入，不同的增强方式实现不同的功能，数据增强可以使得算法更高效地提取序列信息，降维方法在变量维数较高的场景中效果明显。窗口设定主要是对序列的划分，使得算法可以从全局、局部、增量信息、不同尺度与层次等多个方面提取子序列信息。特征提取主要包括 Signature 与 Log-signature 这两种方法，其可以将时间序列信息转化为一个截面的特征集，信息转化效率高，另外唯一性与线性估计性等良好的性质使得 Signature 成为机器学习任务的重要特征集；Log-signature 相对于 Signature 含有的信息相同但其特征数量更少。