本研究提出了一种新的“文本到序列（T2S）”扩散框架，旨在解决时间序列生成中的数据稀疏性、失衡及多模态数据集有限性问题。T2S通过分类时间序列描述并引入高分辨率数据集，能够生成任意长度的时间序列，具有广泛的实际应用潜力。

本研究提出了KoGNER框架，通过知识图谱蒸馏，解决了命名实体识别模型在特定领域的泛化和数据稀疏性问题，显著提升了识别准确率。

本研究提出了一种新方法HyGEN，旨在解决超边预测中的数据稀疏性问题。通过正超边生成负超边并引入正则化项，HyGEN显著提升了预测准确性，实验结果优于四种最新方法。

本研究提出了一种名为EEG-ReMinD的自监督状态重建驱动黎曼动力学的两阶段方法，旨在解决EEG解码算法在数据稀疏性、个体差异和精确标注需求方面的挑战。该方法通过自监督学习和几何特征整合，有效处理EEG数据损坏，减少对标签的依赖，实验结果显示在神经退行性疾病分析中显著提升。

本研究提出了一种基于残差的光流估计方法，有效解决了事件摄像头在高时间分辨率下运动估计的数据稀疏性问题，显著提高了准确性。

该研究提出了一种直接建模PBR图像分布的方法，解决了RGB生成中的光度不准确和从RGB提取PBR时的模糊性问题。通过冻结RGB模型并通过跨网络通信链接新训练的PBR模型，克服了数据不足和高维输出的挑战，避免了微调过程中的遗忘问题，并兼容预训练技术。实验验证了该方法的有效性和对数据稀疏性的鲁棒性。

本研究使用Transformer模型和合成数据生成进行多次访问/记录的患者生存分析，解决了数据稀疏性问题，并展示了在协变量和时间变化的协变量数据集上的优越性能。旨在提高个体患者生存轨迹的理解和预测准确性，在临床试验和新疗法设计中发挥关键作用。

本研究提出了一种新型的STMGNN-ZINB方法，解决了传统犯罪预测模型在小区域和特定时间段内数据稀疏性的问题。实验证明该方法在现实数据集中的表现优于现有模型，提高了犯罪事件的预测精度及置信区间的准确性。

推荐系统在信息过载中发挥关键作用，深度学习技术推动了其发展。自监督学习技术是解决数据稀疏性的方案，利用未标记数据和有意义的表示方法进行准确预测和推荐。本文回顾了自监督学习框架，包括对比学习、生成学习和对抗学习等不同范式。

本研究使用Transformer模型和合成数据生成进行多次访问/记录的患者生存分析，解决了数据稀疏性问题，并展示了在协变量和时间变化的协变量数据集上的优越性能。旨在提高个体患者生存轨迹的理解和预测准确性，在临床试验设计和新疗法创立中发挥关键作用。

该研究提出了一种用于顺序推荐的多任务模型CL4SRec，通过提取用户行为序列中的有意义模式和编码用户表示，解决了数据稀疏性和参数优化问题，在四个公共数据集上取得了领先性能。

本文介绍了$k$最近邻增强的关系提取方法$k$NN-RE，通过最近邻搜索训练关系，解决语言复杂性和数据稀疏性问题，简单而有效。实验证明$k$NN-RE是利用远程监督数据进行关系提取的有效方法，在多个数据集上取得最高性能，优于其他模型。

本研究使用Transformer模型和合成数据生成进行多次访问/记录的患者生存分析，解决了数据稀疏性问题，并展示了在协变量和时间变化的数据集上的优越性能。旨在提高个体患者生存轨迹的理解和预测准确性，在临床试验和新疗法设计中发挥关键作用。

该文介绍了一种新的推荐算法——面向推荐的拓扑感知去偏自监督图学习(TDSGL)方法，该方法通过构建对比对来缓解数据稀疏性，解决了基于图协同过滤方法中随机负采样策略忽略用户（物品）语义结构的问题，实验结果表明该模型在三个公开数据集上表现显著优于现有模型。

本论文提出了一种基于物理信息神经网络 (PINNs) 的直接微震成像框架，可以处理非常稀疏的记录数据并生成聚焦的源图像，以解决数据稀疏性导致的混淆问题，并使用多频率波场和倒数傅里叶变换来提取源图像，并引入因果损失以提高 PINNs 的收敛性，针对 Overthrust 模型和液压压裂现场数据进行数值实验，证明该方法可以正确成像单个或多个源。