- ICML时间展开：4D 湍流流动的生成建模
该研究介绍了一种生成扩散模型和物理引导技术，可以生成逼真的流动状态序列，从而实现对湍流流动的时间演变的分析，为生成建模在湍流动力学复杂性研究中提供了宝贵的见解。
- Pi-fusion: 物理信息扩散模型用于学习流体力学
利用物理信息引导的扩散模型 Pi-fusion，加上逆向学习策略，用于预测流体动力学中速度和压力场的时间演化，表现出较大的泛化性能。
- KDD重复感知邻居采样用于动态图学习
本文介绍了 RepeatMixer 模型，该模型通过考虑邻居采样策略和时间信息学习，学习源节点和目标节点的第一和高阶邻域序列的时间模式，进而提高了链接预测任务中的性能。
- 恶意行为的时间性评估：运用于投票场地数据监测
基于轨道交通道岔行为的时间演化预测，比对采集数据以侦测异常，解决数据安全及维护行为问题。
- SiGNN: 动态图表示学习的基于脉冲激发的图神经网络
通过融合 SNN 和 GNN 并应用新颖的 Temporal Activation 机制，该研究提出了一种名为 SiGNN 的框架，用于在动态图上学习增强的时空表示，通过在多个时间粒度上深入分析动态图中的演化模式实现多尺度时空节点表示。实验 - 合成手写的时态演变
通过简化文本轨迹计划和手写动态，本文提出了一种将时间演变纳入手写合成器的新方法，采用了快速人体运动的运动学理论和神经运动启发的手写合成器进行实现，并通过与真实样本的定量和主观比较评估了所提方法的真实性。
- AAAIMDGNN：多关系动态图神经网络用于全面和动态的股票投资预测
股市是金融系统的关键组成部分，本文提出了一种名为 MDGNN 的动态图神经网络框架，结合传统方法和图模型，全面捕捉股票之间的多方面关系和随时间的演化，利用 Transformer 结构编码时间演化的多重关系，实现了最佳股票投资预测性能。
- CVPR无检测器弱监督群体活动识别
本研究提出了一种新的基于 Transformer 模型的团队活动识别方法，该方法借助注意机制对部分环节进行定位与编码，再对其进行聚合以反映整个活动的完整背景和每个环节的时间演化，无需借助较强的监督方法，在两个基准测试中均表现良好。
- MM在线人脸聚类生成动态角色图，用于电影分析
本文提出了一种基于动态角色互动的角色交互图（CIG）建模方法，该方法使用在线人脸聚类算法发现视频流中的角色，并利用生成的聚类的时态动态创建 CIG，以实现电影内容分析、情节结构分割和主要角色检索等任务。实验证明，该方法在包含超过 5000 - ECCV面向行动识别的定向时态建模
本文引入了通道独立方向卷积（CIDC）操作，学习在局部特征之间建模时间演变，构建了一个轻量级网路建立并能分析多个空间尺度上剪辑级时序演变的网络结构，并通过四个流行的活动识别数据集验证了该方法的有效性，并可视化该网络的激活图，显示其能够关注图 - TASTE：基于时间和静态张量分解的电子健康记录表型化
本文提出了一种名为 TASTE 的张量分解算法，能够同时考虑电子健康记录中的静态和时序信息，经综合实验验证，TASTE 所提取的心力衰竭患者表型效果较好。
- 用于人体骨架运动预测的时空共同关注循环神经网络
本研究提出了一种新颖的 Skeleton-joint Co-attention 循环神经网络（SC-RNN）来捕捉关节间的空间一致性以及骨架之间的时间演化，从而提高人体运动预测的准确性。通过实验证明，该方法优于相关方法。
- MM急性卒中监测中的 CT 图像配准
基于图像配准技术的卒中病人 CT 扫描中的缺血区暂时评估，引入新的相似性指标，快捷、便捷、易于操作。
- 面部表情识别的协方差池化
本研究探讨使用流形网络结构进行协方差池化对于人脸表情识别的改进，并且使用该方法在 Static Facial Expressions in the Wild（SFEW 2.0）和 Real-World Affective Faces（RAF - CVPR非线性时间子空间表示用于行为识别
利用核化排名池化方法压缩数据序列表示，作为时间序列数据处理的新方法，能够提高计算机视觉，机器学习，人类动作识别等算法的效率和准确性。
- 单纯闭包与高阶链接预测
使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别