- ICCVStableVideo: 基于文本的一致性感知扩散视频编辑
通过引入时态依赖于现有的文本驱动扩散模型，使其能够生成一致的编辑对象外观，我们解决了扩散模型在自然视频编辑中编辑现有对象时难以保持其外观随时间稳定的问题。通过开发一种新颖的帧间传播机制，利用分层表示的概念将相邻帧的外观信息传播到下一帧，并基 - 带有 Hawkes 进程的异构事件动态下的短期时间依赖检测
本文提出了一种用于短期时间依赖检测的鲁棒计算方法，该方法使用不依赖于异质性目标 HP 的交互 HP 的异质性强度，取消了异质性强度的先验估计，并在神经科学中得到了显着的新应用，实验结果表明该方法比现有方法表现更优。
- 基于条件扩散模型的电力用户定制负载曲线合成
本研究提出了一种基于条件扩散模型的定制化负荷曲线合成方法，支持异质性用户的生成以及根据其应用需求的独特负荷曲线。实验结果验证了该方法的有效性和优越性。
- 用于自动评估胎儿超声视频质量的分层代理强化学习框架
本研究通过强化学习提出了一个双层质量评估模型，能有效地评估超声图像的质量，通过稀疏的二进制注释训练，结果证实该模型能够胜任胎儿脑数据质量评估任务。
- ICLR基于神经网络的序列数据分类规则学习
本文提出了一种新颖的可微分全可解释性方法，用于发现规则为基础的二元分类的本地和全局模式，并在开源肽数据集上展示了方法的有效性和实用性。
- 建模长期时间依赖性的小批量学习策略：环境应用研究
本文研究如何提高 RNN 模型在环境应用中的性能，主要通过对 Stateful RNN 模型策略的数量比较及两种依赖策略的提出来解决 batch 间（inter-batch）及 batch 内（intra-batch）的时间关联性问题，其中 - 网络范围航班延误预测的时空传播学习
本文提出了一种新的空时可分离图卷积网络 ——STPN，用于建立多个机场之间航班延误传播的综合模型，并且在美国和中国的航班延误数据上验证了该模型的有效性及优越性。
- 多元时间序列预测的演化和多尺度图结构学习
本研究提出了一种基于层级图结构和扩张卷积的时变序列的预测方法，该方法使用一系列的邻接矩阵来表示不断演化的变量之间的相关性，并通过一个统一的神经网络模型来捕捉它们之间的动态和多尺度的交互作用，实验表明该方法在单步和多步预测任务中均优于现有的方 - ECCV变形核卷积网络用于视频极高清晰重建
该研究提出了一种新型基于深度学习的视频超分辨率算法 DKSAN，该算法利用了新设计的变形卷积对齐和可形变内核空间注意力模块，更好地利用了时空冗余来促进不同层之间的信息传播，并在实验中展示了比现有技术 EDVR 更好的超分辨率效果。
- 生成对抗模仿学习的计算与泛化
本文探讨基于生成式对抗性模型的模仿学习算法（Generative Adversarial Imitation Learning，GAIL）的理论性质，证明了对于一般的回报参数化形式，只要正确控制奖励函数的类别，就可以保证泛化效果，并且利用再 - 使用高分辨率光流估计的深度视频超分辨率
本文提出了一种用于视频超分辨率的端到端深度学习网络，其中通过光流重建和图像超分辨率的结合，采用粗到细的方式实现了高分辨率光流的重建和精细细节的恢复，以解决视频 SR 中针对低分辨率光流与高分辨率输出间存在的分辨率矛盾问题，并通过广泛实验证明 - 反馈循环自编码器
提出了一种新的递归自编码器结构 —— 反馈递归自编码器（FRAE），用于在线压缩带有时态依赖性的顺序数据，尤其是语音谱图压缩，结合神经声码器，实现低固定比特率下的高质量语音波形，进一步使用学习到的潜在空间先验和熵编码器，可以达到更低的可变比 - 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测
本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序 - Forecaster：用于预测时空相关数据的图转换器
通过基于图的 Transformer 模型 Forecaster 来解决时空相关数据处理中的空间依赖、时间依赖、数据非平稳性和数据异质性问题，并在预测出租车叫车需求问题中取得了显著的优势。
- 层次化递归神经网络用于视频摘要
本篇论文提出了一种名为 H-RNN 的分层循环神经网络用于视频摘要，其可以更好地利用帧之间的长时间依赖性，并且在 Combined 和 VTW 两个数据集上表现优于现有技术。
- CVPR简化密集视频字幕生成
本文提出了一种新颖的密集视频字幕框架，它通过显式建模视频中事件的时间依赖性并利用先前事件的视觉和语言上下文来实现连贯的叙述。该框架由事件序列生成网络和序列视频字幕网络组成，后者利用强化学习进行训练，并在事件和剧集两个级别上进行两级奖励以实现 - 利用时间依赖性表征音频对抗样本
本文旨在探索利用时间依赖性对抗音频示例的潜力，结果表明利用时间依赖性可以抵御音频对抗示例并提高语音识别系统的鲁棒性。
- 使用循环卷积神经网络学习光谱 - 空间 - 时间特征，在多光谱图像中进行变化检测
本文提出了一种基于循环卷积神经网络的方法，能够在统一的框架下联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。与传统方法不同的是，该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时 - ICLR扩散卷积循环神经网络：基于数据的交通预测
本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结 - MarioQA：通过观看游戏玩法视频来回答问题
本文提供了一个分析影片问答模型的框架，并利用可自定义的合成数据集对其进行分析，以了解对视频事件的时间依赖性进行推理的能力，验证了数据集中包含不同复杂度事件的重要性，以学习有效模型并改善整体性能。