- 模糊日志的一致性检查与声明性时间规范
传统的一致性检查任务假设事件数据提供了实际流程执行的准确和完整的表示。然而，由于日益普遍的事件识别管道所导致的不确定性，事件不再以明确的方式被跟踪，而是间接地得到。本文提出了一个新的模糊语义的模型，用于检查模糊事件数据是否符合声明模式或线性 - EventZoom：用于增强神经形态视觉的事件数据增强渐进方法
EventZoom 是一种针对事件数据的数据增强策略，利用渐进式时间策略智能地融合时间和空间，增强数据的多样性和复杂性，从而提高模型训练的数据质量，并增强算法在处理复杂动态场景中的适应性和稳健性。通过在各种监督学习框架中实验验证，结果表明 - 跨连续特征的流程变体分析：一种新的框架
合理的利用滑动窗口技术结合地球移动距离来检测过程的控制流行为变化，并通过持续的特征对操作过程中的案例进行有效分割、层次化合并和成对比较，从而提供了对过程行为全面的视角，改进过程效率，准确定位异常行为，并为过程比较和结果预测提供宝贵的参考。
- 去噪蒸馏改进的事件框架变换器用于准确的凝视跟踪
本研究利用事件数据和帧数据解决了被动凝视估计问题，通过量化当前状态到之前注册的锚定状态的状态转换，通过两阶段学习的凝视估计框架以粗到精的方式进行锚定状态选择和最终凝视位置估计，通过引入去噪扩散算法改善泛化能力，并通过大量实验证明该方法的有效 - 脉冲中心网络：基于蒸馏提升的脉冲神经网络于目标检测
在 AI 边缘计算、自动驾驶汽车和气候变化的时代，需要节能、小型、嵌入式 AI。脉冲神经网络 (SNNs) 是应对这一挑战的有前途的方法，具有事件驱动的信息流和稀疏激活。我们提出了适用于事件数据的脉冲 CenterNet 用于目标检测。它结 - 冲突文本语料库的深度主动学习挖掘
利用主动学习改进机器学习模型的方法，提取与冲突动态有关的事件的子类，展现与人工编码相似的性能，同时减少了高达 99% 的人工注释需求。
- 通过加权适应关键标记来分段任何事件
在本研究中，我们深入探讨了将 Segment Anything Models（SAMs）与事件数据集成的微妙挑战，以实现稳健和通用的物体分割。我们提出了一种多尺度特征蒸馏方法，通过优化来自事件数据的令牌嵌入与其 RGB 图像对应物之间的对齐 - 从事件数据中提取规则进行研究计划
本研究旨在使用高校管理系统的事件数据分析高等教育学生的学习路径，为他们的学习规划提供有价值的指导。通过运用流程和数据挖掘技术探索所学课程序列对学业成功的影响，我们生成基于数据的决策树模型，用于学习规划，并与推荐的学习计划进行比较评估。评估侧 - EvDNeRF：使用动态神经辐射场重建事件数据
用于捕捉快速运动的刚性和非刚性变形的事件流的准确重建的管道的 EvDNeRF，可以从静态或移动视点在任何所需的时间戳之间预测动态场景的事件流，因此可用作给定场景的基于事件的模拟器。
- YCB-Ev：用于 6DoF 物体姿态估计的事件视觉数据集
我们的研究引入了 YCB-Ev 数据集，该数据集包含了同步的 RGB-D 帧和事件数据，可以评估使用这些模态的六自由度物体姿态估计算法。
- 不使用字典创建自定义事件数据：一些技巧
本文介绍了基于最新自然语言处理技术的有效定制事件数据集制作的 “窍门”，并提出了训练事件类别分类器、使用大型语言模型和标准机器学习分类器识别文本中的行动者和接收方、将演员的提及解析到其维基百科文章以对其进行分类等各种技术。通过举例，我们展示 - 使用面向对象约束图监控业务流程中的约束
本研究主要关注于通过事件数据对业务流程中约束条件的监控，并针对实际业务场景中多对象的业务流程提出了对象中心约束图 (OCCGs) 来解决现有技术在这种情况下所产生的误导问题，同时提出了一种解决方案。通过对储存不同对象交互数据的对象中心事件日 - 从以对象为中心的事件数据中提取和编码特征的框架
本文介绍了从对象中心事件数据中提取和编码特征的通用框架，提供了表格、序列和基于图形的编码，用于预测模型的实用性。
- 定义针对以对象为中心的事件数据的案例与变体
介绍了面向对象的过程挖掘中的过程执行概念，其是传统过程挖掘中的 case 概念的图形扩展，提供了提取过程执行的技术和可视化技术，并通过图同构确定了 respect 属性的等效过程行为。对实际操作数据进行了评估和案例研究。
- 过程挖掘中的概率和非确定性事件数据：将不确定性嵌入过程分析技术
本文研究了不确定性事件数据在流程挖掘中的应用，包括该领域的现状、元属性以及研究挑战等方面。
- 一种多阶段深度结构用于足球视频摘要生成
本文提出了一种利用音频和事件元数据生成足球比赛摘要的方法，在不同的数据集之间进行了泛化处理，并且可以提供不同的选项给最终编辑人员。
- 利用事件相机在高帧率下使模糊画面活跃
本研究提出了一种称为 “Event-based Double Integral (EDI)” 模型的简单且有效的方法，该模型可通过关联事件数据和潜在图像来重建清晰的高帧率视频。实验结果表明，与现有技术相比，EDI 模型和优化方法表现更卓越。
- 通过强化学习学习时态点过程
这篇论文提出了一种基于增强学习方法的灵活时空点过程模型的算法，该算法可以生成满足真实数据分布的样本来评估模型质量，并采用逐步改进的策略参数化模型。模拟结果表明其在合成和真实数据中均表现良好。
- 从稀疏事件数据无监督学习密集光流、深度和自运动
本研究针对动态视觉传感器（DVS）输出的稀疏事件数据，提出了一种轻量级、无监督学习的深度、光流和自我运动估计的机器学习架构，称为 ECN。本研究是第一个仅使用上述稀疏事件数据产生密集深度和光流的单目管道，网络工作在自监督模式下，仅有 150 - 时间扭曲编辑距离
本技术报告详细介绍了一组时间扭曲距离，适用于离散时间序列上的编辑距离，其中基本操作应用于线性段，可控制弹性匹配的刚度；同时可用于处理事件数据，其中每个数据样本关联时间戳，不一定按照恒定采样速率获得。文中还提出并证明了这些距离具有的一些特性。