该论文介绍了一种新的框架 PSTA-TCN，该框架将并行时空关注机制与轴承温网络相结合，从而达到了更长的记忆，并且使用并行计算大大缩短了训练时间，可以更好地用于多元时间序列预测任务。

Mar, 2022

开发适用于问题解决的随机配置网络的循环版本，无需对输入变量的动态顺序进行基本假设，并通过监督机制构建初始模型并通过投影算法在线更新输出权重，从而在时间数据建模技术方面取得了显着突破。

Jun, 2024

本文提出了一种新的带有多分辨率的粗到细结构解码器来处理序列断裂问题，使用多分辨率特征增强策略增强训练来提高对于不同时间分辨率的鲁棒性，同时提出了一个视频级别的行为损失来支持架构和鼓励序列的连贯性，在三个时间视频分割基准测试中打破了现有技术的记录。

May, 2021

本文介绍一种基于变分推断的循环神经网络模型 ——Stochastic Recurrent Network（STORN），通过引入潜变量来提高循环神经网络的性能，实现了结构化和多模态条件下的建模。作者在四个多声部音乐数据集和运动捕捉数据上对该模型进行了评估。

Nov, 2014

本文提出了一种概念级别的时间卷积层（CTC），用于训练深度行动本地化神经网络，通过在每个概念上分别使用多个时间滤波器捕捉不同概念的共同时间模式，极大地丰富了表示能力，通过堆叠 CTC 层，提出了一种深度概念级别的时间卷积神经网络（C-TCN），在 THUMOS'14 上将 mAP (%) 从 42.8 提高到 52.1，相对提高了 21.7\%。

Aug, 2019

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017

本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

Jul, 2023

本文提出了一种名为 Short-Term Memory Convolution（STMC）的卷积神经网络方法，用于音频领域中的实时处理，该方法能够以低延迟比 LSTM 网络更稳定快速地进行训练和推理，实现了语音分离和声场分类的更快速度和更高的准确性。

Feb, 2023

本文介绍一种基于堆叠时空图卷积网络的行为分割方法，利用不同特征节点、长度不定的特征描述符和任意时间边缘连接来处理复杂活动中的大规模图变形，使用编码器 - 解码器设计来提高模型推广能力和位置准确性，且能联合推断得到涵盖全面上下文信息的行为分割结果。实验结果表明，该方法在 CAD120 数据集中 F1 值上取得了 4.0% 的性能提升，在 Charades 数据集中 mAP 值上取得了 1.3% 的性能提升。

Nov, 2018

本研究提出了一种使用 Hierarchical Temporal Convolutional Networks (HierTCN) 的推荐系统，以动态预测用户将选择的下一个物品，该模型由两个级别的模型组成，可用于拥有大量用户和物品的 Web 规模系统，并可以超越动态推荐方法的最新水平。

Apr, 2019