本文探讨了多种时间点过程（TPP）建模方法，包括卷积神经网络和RNN的集成模型、扩散生成模型及DualTPP模型，旨在提高事件预测的准确性和效率。研究表明，这些新方法在长期预测和复杂时间数据处理方面表现优异，推动了神经时间点过程领域的发展。

本文提出了一种新的动态城市场景建模方法，称为周期振动高斯（PVG），通过引入周期振动和自适应控制策略，显著提高了动态场景的重建和新视角合成效果。该方法无需手动标注，训练和渲染速度比现有方法快50到6000倍。此外，MoDGS管道利用单目视频生成高质量动态场景新视角图像，表现优于基线方法。

本文介绍了一种新的建模方法，用于学习个体特定强度的计数过程。作者设计了神经估计器和基于特征的估计器CoxSig，并提供了理论学习保证。模型在模拟和真实数据集上表现良好。

通过对心理学家与ASD儿童之间的对话进行分析，提出了一种ASD诊断的建模方法。研究比较了不同特征在对话任务中的贡献，并找到了表征ASD儿童对话行为的最小参数集。研究结果有助于对ASD儿童的对话数据进行细粒度分析，支持诊断和干预。

通过三种简单易实现的建模方法，证明多步骤动作预测能够提高下游对话任务的准确性，自动化程度提高20%。

本研究比较了六种建模方法在四个数据集上的表现，发现数据集设计、来源和词汇项目对模型能力有影响，建立更严格的评估标准有助于该领域的发展。

本文介绍了关系卷积网络架构框架，用于学习分层关系表示，并提供有效的建模方法来处理具有层次结构的关系任务。