本研究提出了一种新方法SED2AM，利用深度强化学习解决多趟时变车辆路径问题。该方法通过引入时间局部性归纳偏置，有效处理旅行距离或时间的变化。实验结果表明，SED2AM在实际数据集上优于现有方法，具有解决更大规模问题的潜力。

本文提出了LLM4DyG基准，评估大型语言模型在动态图中的时空理解能力。实验分析了不同因素对模型性能的影响，并提出DST2方法以增强时空理解。主要发现包括LLMs具备初步的时空理解能力，动态图任务的难度随图的大小和密度增加，但对时间跨度和数据生成机制不敏感。数据和代码将开源。

文章介绍了一种顺序决策代理，目标是最大化随时间变化的未知函数。代理在每步接收观测值，并需在高概率下做出安全决策。提出的策略结合贝叶斯优化和变点检测，解决安全顺序优化问题，主要挑战是识别变点时的安全决策，避免局部最优。

本文提出了一种利用选择性状态空间模型的深度神经网络方法，用于解决光学动态范围压缩器建模中的问题。该方法通过特征线性调制和门控线性单元动态调整网络，提高了低延迟应用的表现。模型在不同光学压缩器上验证有效性，并显示出优于现有模型的准确性。

本文研究了自解释的动态图神经网络（GNNs），旨在预测未来的链接并提供因果解释。通过整合独立和混淆因果模型（ICCM），解决了捕捉基础结构和时间信息的挑战，并生成高质量链接预测结果和解释。实验证明，该模型在准确性、解释质量和鲁棒性上优于现有方法。

通过对复杂动态系统中非线性和非平稳性交互的评估，我们引入了用于因果推断的时间自编码 (TACI) 方法，该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试，我们证明了 TACI...

本研究提出了一种基于后验抽样的高效算法，用于定价商品或服务以最大化收益。实证研究证明该算法优于其他基准算法，并提出了一种启发式修改以进一步提高定价策略的学习效率。

本文介绍了一种新型的混合反向问题复合框架，将深度神经网络与偏微分方程数值算法相结合，解决了大量数据中的未知字段问题。该框架在泊松问题和Burgers方程中应用并证明了其可行性和噪声鲁棒性。

该文章介绍了数值高斯过程的概念，通过对时间依赖偏微分方程进行时间离散化来定义。该方法可以处理只能观测到初始条件的噪声数据，并量化与这些噪声数据相关的不确定性。经过多个基准测试问题的验证，该方法的有效性得到了证明。

本论文提出了一个名为“GrADE”的新框架，用于解决非线性偏微分方程的时间依赖性问题。该框架结合了FNN、Graph Neural Network和神经ODE框架，并使用注意机制来提高性能。研究结果表明，该框架在解决PDE建模问题上表现出色。

基于流形的自编码器方法用于学习非线性动力学中的非线性方程，其中流形潜变量空间根据 Ricci 流演变。

该文介绍了一种无需参数化的技术，结合U-Net-like CNN和有限差分法领域的离散化方法，学习稳态Navier-Stokes方程近似解。作者比较了基于物理的CNN和基于数据的方法，并展示了将两种方法相结合的性能。

本文研究了随时间变化的分布的随机优化问题序列，应用在线随机梯度下降并建立了其动态遗憾界，采用Wasserstein距离。同时，建立了在线随机近端梯度下降的遗憾界，并将其应用于CVaR学习问题。通过改进现有证明，得到了在线随机梯度下降的遗憾界。

该研究提出了一种新的算法，将有声语音的检测、基频估计和音高跟踪三个子任务集成成一个单一的过程，并通过使用标准度量标准的组合提出了一个无监督语音分类器来实现音素检测。实验结果表明，该方法在音高检测方面具有明显的优势。