- LSTM-COX 模型：处理循环事件的简洁高效深度学习方法
通过结合长短期记忆网络（LSTM）和 Cox 模型分析复发事件中动态时间信息以增强模型性能，本研究在临床风险特征提取方面显著提高准确性，同时在模拟数据集上保持良好性能，有效地区分高低风险患者组，在实际膀胱癌复发数据上取得了较高的一致性指数， - 高效的计算与内存使用策略的强韧预测分析
在当前的数据密集时代，大数据已成为人工智能（AI）的重要资产，为开发基于数据驱动模型和揭示各个未知领域提供基础。本研究通过应用 Robust Principal Component Analysis（RPCA）进行噪声降低和异常值剔除，以及 - 自然语言处理与多模式股价预测
该研究利用股票百分比变化作为训练数据，采用人工智能技术（如长短期记忆网络、支持向量机和自然语言处理模型）分析公开发布的新闻文章，使用专门的 BERT 自然语言处理模型预测股票价格趋势，强调不同数据特征和行业特定数据的有效性。
- 嵌入式特征选择在 LSTM 网络中的多目标进化集成学习用于时间序列预测
LSTM 网络在多目标进化算法的支持下，通过分区优化权重和偏差，构建非优势预测模型集合进行元模型构建，并提供属性重要性确定的方法，实验证明优于现有方法。
- 增强金融数据可视化以便于投资决策
利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。
- 大学校园中基于卷积 LSTM 的电网频率预测
通过使用卷积神经网络（CNN）和长短期记忆网络（LSTM），本文介绍了一种创新的方法来建立可靠的时间序列预测模型，用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性，显著提高预测准确性并增强电网可靠性。
- 基于 LSTM 的 GRACE 加速度计数据预测模型
该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法，使用了 Long Short-Term Memory（LSTM）网络来训练一个能够预测三个轴加速度计数据的模型，并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 - 基于矩阵集成卡尔曼滤波器的多臂神经网络充分近似深度神经网络
我们提出了一种基于多臂扩展的卡尔曼滤波器的深度学习近似器，通过这种方法在样本量太小无法训练多臂深度学习模型时实现了对深度学习的近似。我们的技术可以逼近长短期记忆网络，并将从这些网络得到的预测结果附加不确定性，以用于对多糖利用基因组序列的微生 - 多模态非规则时间序列事件的特征融合框架
本文提出了一种基于长短时记忆网络的多模态不规则时间序列事件的特征融合框架，能够提取复杂特征、捕捉非线性关系和时间依赖关系，并使用特征门控制不同张量的访问频率，实验证明该框架在 MIMIC-III 数据集上能显著优于现有方法。
- 使用长短时记忆模型预测 GPCR 分子动力学中 3D 氨基酸位置
本研究评估了长短时记忆网络 （LSTM）学习和预测受体的分子动态轨迹的能力。实验表明，该方法在分析 G 蛋白偶联受体分子动态时表现出强大的性能，可用于药物预测及蛋白质结构分析等领域。
- 车道关注：通过学习车道上的注意力预测车辆的运动轨迹
通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
- 利用机器学习应用于大样本数据集实现学习普适、区域和局部水文行为
使用气象时间序列数据和静态流域属性，我们提出了一种基于数据驱动的方法，在使用 LSTMs 单个模型对 531 个流域进行训练的情况下，显著提高了性能，比符合地区性条件的水文模型和针对单个流域进行校准的水文模型的表现更好，同时还提出了 Ent - MM测试循环神经网络：基于覆盖率的测试
介绍了一种名为 testRNN 的覆盖率指导测试工具，用于验证和验证 LSTM 网络。该工具实现了一种基于突变的通用测试用例生成方法，并根据三个新颖的 LSTM 结构测试覆盖度指标评估网络的鲁棒性。
- 用于降阶模型关闭的潜空间动态的时序学习
研究了 LSTM 和 NODE 在学习动态微分方程潜在空间表示方面的性能，并通过两个粘性 Burgers 方程测试验证了其在系统封闭方面的能力。
- 关于循环神经网络在噪声动力学系统中的行为的简短注记
本文研究了循环神经网络在数据驱动下的噪声动力学系统模拟行为，训练了一组 LSTM 网络，发现在训练噪声变大时，LSTM 更多地依赖其自主动力学而不是噪声输入数据。
- 神经水文 -- 解释 LSTM 在水文学中的应用
研究使用 LSTM 网络进行降雨径流预测及分析，以此探究它在水文学领域中的应用及其内部学习机制。
- 评估 LSTM 模型在形式语言中的泛化能力
本研究对长短期记忆网络的归纳学习能力进行了实证评估，发现在不同的训练设置下模型性能存在显著差异，并强调在提出神经网络模型的学习能力时需要进行仔细的分析和评估。
- MMC-LSTM：利用结构压缩技术在 FPGAs 上实现高效 LSTM
本文提出了一种基于块循环矩阵的压缩方案，用于改善长短时记忆网络的 FPGA 实现效率，并将该方法应用于一个名为 C-LSTM 的综合框架，其精度损失很小。
- KDD使用 LSTM 和非参数动态阈值检测航天器异常
使用 LSTM 网络对遥测数据进行异常检测，结合一种无监督检测方法并提供假阳性减缓策略，以降低操作风险和减轻工程师的监测负担。
- 头皮脑电图自动癫痫检测的深度架构
本研究通过使用 TUH EEG Seizure Corpus 数据集，评估了一种新型的循环卷积神经网络，该网络在每 24 小时内的假警报率为 7 次，灵敏度达到 30%。研究表明，深度学习结构集成空间和时间信息对于达到最先进的表现至关重要，