本研究提出了一种新颖的场景流估计网络MambaFlow，旨在解决时空建模不足和细粒度特征损失的问题。实验结果表明，该网络在Argoverse 2基准测试中表现优异，并具备实时推理能力。

本文介绍了多种少样本动作识别框架，如STRM、SloshNet和SAFSAR，强调通过特征学习和时空建模来提升识别性能。实验结果表明，这些方法在多个基准数据集上表现优异，推动了该领域的发展。

本文提出了一种名为STAN的时空建模机制，旨在将图像-文本预训练模型扩展到视频领域，以提升视频文本检索和识别的性能。研究中使用了CLIP模型，结合多模态学习和对比学习框架，在多个基准数据集上取得了最新的检索准确性记录。

该文综述面部动作单元检测方法，涵盖混合网络、深度神经网络、知识图谱、条件随机场、语义对应学习、细粒度全局表情编码、时空图卷积与注意力机制、热图回归及因果推理等，旨在提升空间表示、时间建模与AU相关性处理性能。

本文综述了图神经网络在无线资源管理、空气质量预测、交通流量预测、无线传感器网络异常检测、网络入侵检测、动态图建模、多变量时间序列预测及联邦时空建模等领域的应用，表明其能有效提取时空与拓扑特征，提升预测精度、鲁棒性和计算效率。

该文综述了多元时间序列与图神经网络的研究进展，涵盖MGL4MEP流行病预测、FC-STGNN时空建模、THGNN金融时序、TodyNet分类、MTAG多模态图模型、GCC对比学习、LGnet缺失值预测、STEP预训练及CorrRNN多模态融合等方法，均经实验验证有效。

该文综述多项深度学习降水预测研究：GAN优化FourCastNet提升极端降雨预测；PAUNet基于卫星数据提高降水预报精度；U-Net与LSTM融合实现全球每30分钟、未来4小时预测，分类网络优于回归网络；GD-CAF将降水临近预报建模为时空图序列预测；AA-TransUNet结合注意力机制表现优异；MetNet每2分钟预测未来8小时降水，性能优于数值预报。

该文综述了多种深度学习风电预测方法：利用预训练与自编码器提升数据表示；CNN-RNN融合气象网格与时间信息进行日前预测；时空风速模型模拟实体交互；神经网络将低分辨率风场提升为高分辨率三维速度场；3D-CNN分析时空风现象；图注意力与频率增强模型（GFST-WSF）提升短期风速预测；TCN与GRU结合降噪实现高精度预测；图神经网络与Transformer架构（Fast Fourier Transformer、Autoformer）建模时空依赖；TriOpts加速训练并用PFI、LIME解释预测；Windformer通过分窗与移窗建模风速变化，MSE降低2至15个百分点。

本文介绍了一种名为“Fragment and Integrate Network（FIN）”的新型时空建模范式，用于解决在线位置服务中的点击率预测任务。通过实证分析验证了FIN的准确性和可扩展性。FIN已在中国在线订餐平台“饿了么”的推荐广告系统中全面部署，并取得了显著改进。