微软推出医疗时序基座模型MIRA，基于4540亿数据点预训练，旨在解决医疗数据不规则采样问题。MIRA结合CT-RoPE和Neural ODE技术，提升了对生命动态的理解与预测能力，展现出优越的迁移能力和鲁棒性，为医疗AI的通用化奠定基础。

本研究解决了不规则时间序列数据（如记录频率不一、观察时长不同及缺失值）所带来的挑战，提出了一个统一框架及首个标准化的数据集库，以提升不规则时间序列分类的互操作性。研究的关键发现是，通过基准测试12种分类器模型，增强了不规则时间序列数据分析方法的评估有效性，推动了相关领域的研究整合。

本研究提出了一种联合学习框架，旨在解决医疗时间序列中的不规则性和缺失问题。该框架结合序列与图像表征，并采用三种自监督学习策略，其分类性能优于七种先进模型。

本研究探讨了变换器神经网络在学习西班牙语不规则动词时的表现，发现模型能够有效学习这些动词的模式，并揭示了学习过程中的频率影响及误差来源。

本研究解决了在固定维度观测空间以外的时空任务建模问题。通过提出一种创新算法，该算法交替进行二维潜在状态与观测之间的跨注意力和序列维度上的折扣累计和，显著提升了性能。实验表明，该算法在多智能体意图任务中可实现更高效的序列建模，同时参数更少，训练和推理速度更快。

研究显示，使用全局标记和局部窗口的注意力图作为数据点的核表示，可以提高时间序列预测准确性，无需改变神经网络结构，MSE降低3.6%。该方法可替代分块嵌入方案，提升transformer模型性能。

本研究解决了KAN和MLP在处理不规则或噪声函数时性能差异的问题。研究发现，在某些函数上，MLP的表现优于或与KAN相当，而样本量增加也可提高性能。这项工作为未来神经网络研究提供了有价值的见解。

通过集合预测问题，将卫星图像时间序列处理分解为三个步骤，取得了新的最先进结果。同时，通过分离时间和空间组件，利用计算机视觉进步，实现了比以前更高的分数。

通过研究决策边界的定性行为，发现大型语言模型在二分类任务中学习到的决策边界通常是不规则且非平滑的。研究了影响决策边界的因素，并探讨了提高泛化能力的方法。

本文提出了一种新颖的基于图的多-ODE神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。实验结果表明，GRAM-ODE相比最先进的基线方法具有明显的优势，并且不同组件对整体性能有贡献。

我们提出了一种名为不规则视频动作计数（IVAC）的新方法，解决了传统视频动作计数方法的不足，并创造了新的基准，展现出了出色的适应性和泛化性能。

Pixel系列手机在Pixel Launcher中显示不正常的应用图标问题可以通过使用Pixel Launcher Mods的图标替换功能解决。操作步骤包括获取root权限、安装Pixel Launcher Mods、替换图标等。该方法存在一些问题，如应用启动时图标会瞬间变回原样，侧滑返回时图标会闪烁。该项目专为Pixel设计，不保证适用于其他启动器或ROM。

利用条件归一化流对不规则采样时间序列进行概率预测，解决了缺失值问题，并且相比先前最佳模型，提供了 4 倍更高的似然度。

文章介绍了一种新的iTransformer模型，用于多变量时间序列预测，通过反转注意力机制和前馈网络的职责，取得了最先进的表现，成为时间序列预测的基本骨干的一个很好的替代方案。

原文地址：https://geekplux.com/2018/03/16/how-to-picking-uniform-points-in-irregular-polygon 给定一个不规则的多边形（可能是凹多边形，可能是凸多边形），在其中要显示拓扑网络数据，要求节点不重合、不超出边界。 该问题出现的场景： 在地图上撒点 在未知画布上生成初始的拓扑布局 解决方案： 方法一...