LookupViT通过压缩视觉信息降低了视觉变换器的推理成本，利用双向交叉注意力机制实现高效信息共享，保持或提升准确性。该方法在多个任务中展现出良好的鲁棒性和泛化能力，计算复杂度显著降低，适合资源受限场景。

BasisFormer是一种端到端时间序列预测架构，利用可学习和可解释的基来获取基础。通过自适应的自监督学习获得基础，使用双向交叉注意力计算时间序列与基础之间的相似性系数，并根据相似性系数选择和整合未来视图中的基础，从而实现准确的未来预测。实验结果表明，BasisFormer在单变量和多变量预测任务中分别超过先前的最先进方法11.04%和15.78%。