本研究提出了一个统一框架，强调序列模型应具备联想记忆能力，以推动更强大的序列模型设计。

传统推荐系统依赖共享嵌入空间，序列模型如RNN和Transformer在序列推荐中表现出色。研究人员探索使用大型语言模型（LLMs）进行序列推荐。CALRec是一个两阶段的LLM微调框架，结合对比损失和语言建模损失。首先在多个领域数据上微调，然后在目标领域微调。实验显示，该模型在Recall@1和NDCG@10上优于其他方法，两个微调阶段结合效果最佳。

本文讨论了基于序列的模型在优化中的应用，包括利用自由文本信息来丰富任务理解，使用灵活的序列模型设计优化策略，并提高对未知搜索空间的性能预测。

本文讨论了基于序列的模型在优化中的应用，包括利用自由文本信息来丰富任务理解，使用灵活的序列模型设计优化策略，并提高对未知搜索空间的性能预测。

本文讨论了基于序列的模型在实验设计领域的应用，包括利用自由文本信息来丰富任务理解，设计更优的优化策略，并提高对未知搜索空间的性能预测。

本文提出了一种用于在句内事件之间进行时间关系分类的序列模型。该方法在TimeBank语料库上的评估表明，顺序建模能够准确地识别事件之间的时间关系，并且胜过了以前基于特征的模型。

本文研究了在社交媒体数据上进行风险预测的问题，特别是对Reddit用户进行病态赌博障碍的分类。通过将时间特征和情感特征纳入模型，实验证明了序列模型在性能上优于基于连接的模型。提出的架构在包含EmoBERTa和TD层的情况下取得了高F1分数，在赌博障碍数据集上超过了现有基准。

U-Mamba是一种通用的医学图像分割网络，融合了卷积层和序列模型的能力，能够在各种任务中取得优于当前基于CNN和Transformer的分割网络的结果。

本文提出了一种用于句内事件时间关系分类的序列模型，评估表明该方法准确识别事件时间关系，胜过基于特征的模型。

本文介绍了一种名为Mega的单头门控注意力机制，通过将整个序列分成多个具有固定长度的块，实现了线性时间和空间复杂度。在长序列建模、神经机器翻译、自回归语言建模以及图像和语音分类等测试中，Mega优于其他序列模型，包括Transformer的变体和最近的状态空间模型。

该研究提出了一种新的方法，通过结合序列模型和多重转换预测，利用参数化长期依赖来提高重建超声的性能。实验证明，该算法利用超参数调整方法有效地利用长期依赖，并在数据收集、扫描协议调整和网络开发方面具有实际意义。

本文介绍了一种名为Mega的单头门控注意力机制，具有指数移动平均数以将位置感知的局部依赖性的归纳偏差纳入位置不可知的注意力机制中。该文进一步提出了Mega的变体，通过将整个序列有效地分成多个具有固定长度的块以实现线性时间和空间复杂度。在长序列建模、神经机器翻译、自回归语言建模以及图像和语音分类等广泛测试中，证明了Mega优于其他序列模型，包括Transformer的变体和最近的状态空间模型。