本研究利用深度学习技术对卫星合成孔径雷达(SAR)数据进行雪崩监测，克服了传统方法在天气和地理因素上的局限。实验结果表明，深度学习模型在雪崩分割方面优于传统方法，能够有效识别时空模式，具有重要应用潜力。

本研究提出了一种自适应稀疏图学习框架，旨在解决传统图学习在动态海洋环境中的局限性。通过将时间戳建模为独立节点，该方法有效捕捉时空模式，从而提高船舶行为异常检测的准确性和鲁棒性。

本研究提出了一种基于生成预训练变换器（GPT）的数据包级网络流量生成器DTG-GPT，旨在解决数据中心流量追踪数据稀缺的问题。DTG-GPT能够合成真实数据流的时空模式，并在不同规模的网络中保持高保真度，为研究社区提供流量信息的潜力。

本文介绍了一种高效训练Leaky Integrate and Fire神经元的算法，该算法使脉冲神经网络（SNN）能够学习复杂的时空模式，并展示了与忆阻器结合的网络实现原理。研究表明，该算法在处理具有丰富时间动态的任务时，准确度超过传统方法，为生物启示的神经网络架构提供了有效构建块。