本研究提出了TIMER框架，以优化大型语言模型在处理电子健康记录时的时间依赖性问题。经过TIMER-Instruct微调后，模型性能提升了7.3%。

本研究提出了一种新的三维时空特征变换器（TSTF Transformer），用于实时战略游戏中的状态评估。该架构有效处理多维特征和时间依赖性，显著提高了评估精确度，同时参数量低于传统方法，推动了该领域的创新发展。

本研究提出了一种名为PatchCTG的新型Transformer模型，旨在解决传统心音监测方法的高观察者间变异性问题。该模型通过补丁基础的标记化和信道独立处理，有效捕捉CTG信号中的关键时间依赖性，从而提升临床决策的客观性和预测能力。

本文综述了密集视频字幕生成（DVC）技术，强调事件间的相互关系和上下文建模。介绍了多种DVC框架和模型，包括基于时间依赖性和强化学习的生成网络，以及利用未标记视频进行预训练的方法。这些新方法在多个数据集上显著提升了性能，推动了DVC领域的发展。

本文介绍了一种新颖的密集视频字幕生成框架，该框架通过建模视频事件的时间依赖性，结合视觉和语言上下文，实现了连贯的叙述。该框架在多个数据集上表现优异，证明了其在复杂视频理解任务中的有效性。

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。

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。研究者还提出了深度精炼技术，加快了框架的训练速度。仿真结果表明该框架在解决PDE建模问题上表现出色。

本文提出了一种使用三角棱镜循环神经网络模型的新的人体姿势预测方法，通过编码不同时间尺度的时间依赖性来捕获分层结构。实验证明该方法在数量和质量上优于基线和最先进的方法。

该文介绍了一种利用预训练的基于位置的嵌入和 Geo-Tokenizer 来提高位置服务性能的方法。该方法考虑了位置的时间依赖性，有效地训练分解的位置，从而提供更少的模型参数并改善下游任务的性能。