本研究提出RAVU框架，旨在解决大型多模态模型在理解长视频时的内存和检索不足问题。通过建模视频的时空关系，RAVU在复杂查询场景中实现了更准确的视频理解，实验结果表明其在NExT-QA和EgoSchema数据集上表现优异。

本研究提出了一种基于上下文表示学习的运动预训练方法，有效解决了单目3D人姿态估计中的深度模糊和数据不足问题，显著提升了模型的时空关系理解能力，并在两个基准数据集上取得了优异性能。

VideoRoPE是一种新的视频位置嵌入策略，扩展了RoPE在视频领域的应用，提升了长视频的理解和检索能力。它通过三维结构保留时空关系，采用低频时间分配、对角线布局和可调时间间隔，表现出更强的鲁棒性和适应性。

本研究提出了一种可控视频生成对抗网络（CoVoGAN），有效解决了时空关系的精细控制问题，实现了视频概念的独立调控。通过理论分析和实验验证，生成质量和可控性显著提升。

本研究提出了一种新型机器学习方法，用于识别极端事件及其气候驱动因素之间的时空关系。通过端到端训练模型，成功预测并评估了相关驱动因素，展现出良好的性能和应用潜力。

本研究提出了掩蔽自回归模型（MAM4WF），解决了传统方法在长期天气预报中的误差积累和事件相关性不足的问题。通过数据掩蔽训练，模型增强了时空关系的学习能力，显著提升了预报效果。

本研究介绍了Open-VCLIP++，通过修改CLIP来捕捉视频的时空关系，创建视频分类器，并利用权重插值实现持续学习。结果在动作识别和视频文本检索数据集上超过最先进技术。

介绍了一种自监督的结构化表示和生成方法，提取周期性或准周期性运动中的时空关系，增强了运动学习算法的插值和泛化能力，为未来的运动表示和学习算法的发展开辟了新的可能性。

UNIMASK-M模型是一种任务独立模型，通过分解人体姿势为身体部位并利用时空关系，解决了预测未来动作和填充已知关键动作之间的挑战。实验结果表明，该模型成功预测了人体运动，并在LaFAN1数据集上实现了时长较长的运动插值。