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。

本文提出了一种新颖的密集视频字幕框架，通过建模视频中事件的时间依赖性和利用先前事件的视觉和语言上下文，实现连贯的叙述。该框架由事件序列生成网络和序列视频字幕网络组成，利用强化学习进行训练，并在事件和剧集两个级别上进行两级奖励以实现更好的上下文建模。在ActivityNet Captions数据集上取得了出色的表现。

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。