利用预测模型进行时空流体过程的自适应采样
该研究提出了一种名为 ST-PAD 的两阶段框架，用于地球科学领域中的时空流体动力学建模，旨在通过时空物理意识和参数扩散引导实现高精度的流体动力学模拟和预测。该框架在多个基准数据集上的广泛实验验证了其有效性和稳健性，展示了 ST-PAD 在流体动力学建模和预测方面的优势，特别是在有效捕捉局部表示并在 OOD 生成中保持显著优势。
Mar, 2024
该研究提出了一种适应性采样算法，能够在单处理器计算中对数据进行概括，同时提供了一种在旋门流数据上执行的采样算法，同时进行了容器选择、子空间逼近、投影聚类和体积最大化等各种类型的数据概括算法。
Apr, 2020
本文提出了一种针对城市道路网络的分散数据融合和主动感知算法，可以有效、可扩展地预测交通现象，实证评估结果表明该算法具有显著的时间效率和可扩展性，并且预测性能与最先进的集中式算法相当。
Aug, 2014
我们引入了自适应调度的自适应采样作为构建词性标注器机器学习的一种新方法，目标是加速在大数据集上的训练，同时不显著损失性能。我们的算法通过分析学习曲线的形状几何特征，结合功能模型，在任何时间点上增加或减少采样间隔，从而证明了其在理论上的正确性。此外，通过更加关注训练数据中性能暂时膨胀的区域，我们提高了采样的鲁棒性，防止学习过早停止。该提议经过可靠性评估，验证了模型收敛性，符合我们的预期。虽然测试时使用了具体的停止条件，但用户可以根据自己的特定需求选择任何条件。
Feb, 2024
本文提出了一种新方法，利用 Hawkes 过程和自适应决策树来对时空数据进行建模，通过非平稳的时空表达，对每个子区域进行点处理来对其进行统计，且提供了一种基于梯度的联合优化算法， 实验结果表明，与文献中常用的标准方法相比，该方法在空间适应性和联合优化方面显著提高了预测结果。
Mar, 2020
该研究提出了一种通过建模细粒度城市范围内历史人流的时空模式来预测未来城市范围内人流的方法，利用一种名为 PASTA 的神经网络来准确捕捉细粒度地图的不规则时空模式，实验结果表明我们的模型在存在不规则空间区域的复杂条件下表现优于其他基准模型，并提供定性分析以得出模型高度关注的关键时间信息。
Oct, 2023
针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。
Sep, 2016
该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。
May, 2024
本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习，探索假设的相关关系空间，并实时评估这些假设，以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本，并能快速识别和拒绝不良假设，不会对规划产生不良影响。
Feb, 2024