该研究提出DFI-OmniStereo，一种新型全向立体匹配方法，利用预训练模型提升深度估计准确性。在不同环境和光照条件下表现优异，在Helvipad数据集上均方根误差降低约16%。

该研究提出了一种因果增强的发源地-目的地流量预测框架，旨在解决发展中国家城市中的数据稀缺问题。通过迁移城市间的知识，该方法提高了预测精度，实验结果表明，OD流量预测的均方根误差降低了多达11%。

本研究提出了一种新型插值模型，利用调制自适应傅里叶神经算子，解决天气数据在有限时间分辨率下无法准确捕捉快速变化天气事件的问题。该模型生成的中间时间步与实际1小时分辨率数据几乎无差异，且相比线性插值减少约50%的均方根误差，更好地模拟极端天气事件的统计特征。

该研究比较了三种图神经网络在智能交通系统中的应用，发现门控图神经网络（GGNNs）是最有效的选择，具有较低的均方根误差和平均绝对误差。

该研究比较了三种图神经网络在智能交通系统中的应用，发现门控图神经网络（GGNNs）是最有效的选择，具有较低的均方根误差和平均绝对误差。

使用深度学习技术推断波动率指数，TCN模型具有最佳均方根误差，而MNF模型在不确定性预测方面表现优异。

研究人员利用93,028个训练记录的数据集，预测了10,337个测试记录的作物产量。他们开发了两种新颖的卷积神经网络架构，并使用广义集成方法确定了最优模型权重。模型在测试数据上表现更好，具有较低的均方根误差和更高的相关系数。研究人员还将模型应用于基因型的识别，并通过特征重要性分析突出了地点、MG、年份和基因型的重要性，以及气候变量的重要性。

该研究使用海洋动力学模拟和卫星高度计数据训练基于模拟的神经映射方案，用于海表面高度监测。最佳的4DVarNet映射分辨率达到98公里，均方根误差减少了23%和61%。

该研究使用93,028个训练记录的数据集，预测了10,337个测试记录的农作物产量。研究开发了两种新颖的卷积神经网络（CNN）架构，并利用广义集成方法（GEM）确定了最优模型权重。该模型在测试数据上实现了较低的均方根误差和更高的相关系数，对于有限测试年份的情况非常有价值。研究还突出了地点、MG、年份和基因型的重要性，以及气候变量MDNI和AP的重要性。