本文介绍了一种基于Transformer的深度学习方法，结合联邦学习进行短期电力负荷预测，显示出优于传统模型的性能，尤其在准确性和计算效率方面具有显著优势。

本文提出了一种新方法QuaterNet，通过四元数表示旋转和前向运动学，成功预测和生成3D人体姿势序列。实验结果显示，该方法在短期和长期预测中表现优异，生成效果逼真。同时，研究指出Human3.6M评估协议存在高方差，并提出了解决方案。

该文介绍了一种名为“储集计算”的机器学习方法，成功地进行了混沌动力系统的短期预测和吸引子重构研究。作者提出了一个理论框架，描述了储集计算可以创建具有短期预测能力和准确长期遗传行为的经验模型的条件，并通过数值实验验证了这个理论。作者还认为这个理论适用于其他时间序列预测的机器学习方法。

本技术报告提出了一种基于引导注意力机制的解决方案来解决EGO4D短期预测挑战。该解决方案结合了物体检测和时空特征提取，增强了运动和上下文信息，并解码物体中心和运动中心的信息。在快速网络上应用引导关注力，构建了模型，在验证集和测试集上获得了更好的性能和最佳成绩。

本文介绍了一种基于Transformer的新型架构，用于生成3D人体运动模型。该模型通过学习高维度骨骼关节的嵌入，并通过解耦的时间和空间自注意机制，使生成的姿态在时间上连贯。实验结果表明，该模型能够准确地生成短期预测，并在长期时间跨度内生成合理的运动序列。