本研究通过构建基于偏微分方程的合成数据集，解决时空图机器学习中的数据稀缺问题，模拟流行病学、气溶胶和海啸等灾害，从而提升模型在真实数据上的表现。

该研究提出了一种新颖的统一时空图数据结构UniEdge，有效解决了行人轨迹预测中的时空交互建模不足问题，显著提高了预测准确性。

本研究针对多目标跟踪中准确捕捉视频序列中物体的时空关系这一挑战，提出了一种创新的自适应关键帧挖掘策略，以解决现有方法的局限性。通过引入关键帧提取模块和帧内特征融合模块，显著提高了目标的可区分性，减少了由于遮挡导致的跟踪损失，最终在MOT17数据集上达到了卓越的性能。

本文提出了一种新型入侵检测系统，基于时空图神经网络自编码器，解决了传统系统在APT攻击检测中的不足。研究表明，该方法有效降低了误报率，优化了资源使用，展示了时空分析与联邦学习在提升网络安全方面的潜力。

本研究提出了一种新框架，结合自编码器与图卷积网络，以提高超音速机翼不稳定压力分布的预测准确性和效率。

本研究综述了面部表情识别中的图表示学习方法，探讨了图扩散、时空图和多流架构等新方法，揭示了其提升识别性能的潜力。

本研究提出了一种新型多分支时空图神经网络，旨在提升冰层图像质量和厚度预测的准确性，显著优于现有模型。

本研究提出了一种基于提示调优的连续预测方法，解决时空图预测模型在数据流环境中的重训练效率低和遗忘问题。通过优化存储提示的使用，提高了模型在交通流量、空气质量等场景中的预测效果和效率。

EFT是第一个捕捉时变图表现的可逆谱变换方法，能够灵活地捕捉时变图的结构和位置特性，对于处理时变图的下游任务非常有效。通过伪谱松弛方法分解转换过程，具有高度的计算效率。在大规模和标准的时变图基准上验证了理论发现，并展示了最先进的性能。

本文提出了一种多级对齐训练方案，通过对称损失来对齐视频和语言的编码，确保相似信息紧密编码而不同语义的信息保持分开。该方案可应用于各种视频和语言接地任务，并在多个数据集上实现了可比较的性能。

SpoT-Mamba 是一个新的 STG 预测框架，利用 Mamba 的长程依赖性来生成节点嵌入，通过节点嵌入进行时间扫描以捕捉长期的时空依赖性，并在实际交通预测数据集上展示了其有效性。

本文提出了一个新颖的端到端注意力图神经网络模型，用于实时生成肝脏的三角形形状。该方法通过2D MRI横截面图像捕捉隐藏模式，并与治疗期间的图像相对应。平均误差为3.06+-0.7毫米，Chamfer距离为63.14+-27.28。

帧质量下降是视频理解领域的挑战之一。研究者提出了一个简洁且统一的框架，称为时空提示网络(STPN)，通过动态调整输入特征来提取视频特征。STPN在多个数据集上取得了最先进的性能。

本文介绍了一种基于窗口的事件去噪方法，通过时间和空间域的概率分布进行理论分析，建立了时间窗口和软空间特征嵌入模块来处理时间和空间信息，构建了名为MSDNet的多尺度基于窗口的事件去噪网络。该方法具有高去噪精度和快速运行速度，在复杂场景中实现了实时去噪，实验证明了算法的有效性和鲁棒性，能够有效去除事件噪声并提高下游任务的性能。

本文提出了一种新的空间-时间变换网络的范例，用于改善长期交通预测的准确性。该模型使用图神经网络和自注意机制来建模交通数据中的有向空间相关性，并利用长程双向时间依赖性。实验证明，该模型在预测交通流量方面的性能优于现有工作。

本文介绍了一种新颖的在线时空图轨迹规划器，能够生成安全且舒适的轨迹。通过构建时空图并传递给顺序网络，该规划器能够生成符合安全与舒适要求的状态。同时，还提出了一个简单的行为层用于确定轨迹规划器的动力学约束，并提出了一种新颖的潜力函数来训练网络。测试结果表明，该规划器能够生成安全、可行性高的轨迹，并在前进方向上达到相似或更远的距离，提供了可比较的舒适性乘车体验。

本文介绍了一种用于城市移动中场景理解的统一符号和定性表示——定性可解释图（QXG）。QXG利用时空图和定性约束从传感器输入中提取场景语义，为自动车辆的环境解读提供了可理解的场景模型。研究展示了QXG在自动驾驶背景下的转型潜力，通过将图与车辆行为相连接，阐明决策原理。这些解释服务于多种目的，包括通知乘客和警示弱势道路使用者，以及促进先前行为的后续分析。

本论文提出了一种基于Transformer的短期电压稳定性评估方法，通过使用稳定性评估Transformer（StaaT）作为分类模型，并采用CWGAN-GP合成数据生成，解决了类别不平衡和数据噪声的问题。实验结果表明，该方法在类别不平衡和噪声环境下具有鲁棒性，并适用于可再生能源渗透的情况。该研究提供了一个适用于实际应用场景的解决方案。

互联需求增加导致物联网传感器过量。数字孪生是关键驱动因素，提出数字孪生本地AI驱动的服务架构，支持物联网网络概念。应用于车联网，通过TCP数据流水线节约了30%处理时间。测试多种学习速率组合，强调最成功的模型。

研究者提出了一种简洁时空模型ST-MLP，用于优化智能交通系统中的交通流管理。该模型结合了时间信息、空间信息和预定义的图结构，并采用通道独立策略，提高了交通预测的准确性和计算效率。实证结果表明，ST-MLP优于其他模型，鼓励进一步探索更简洁和有效的神经网络架构。