本研究提出了一种新模型Multi-Task SWIN-UNETR (MTS-UNET)，有效解决了传统方法在胶质瘤空间异质性捕捉上的不足，展现出良好的分割和预测准确性，具有广泛的临床应用潜力。

本研究提出了一种结合深度神经网络的新方法，解决地球科学中未观察因素导致的空间异质性问题。该方法在预测全球总初级生产力方面表现优越，能够有效揭示主导因素的区域分布差异。

本研究提出了一种新颖的图时空点过程模型（GSTPP），有效处理空间异质性和潜在相关性，从而提高细粒度事件预测的准确性，实验结果显著优于现有方法。

HyperAI超神经策划了「Meet AI4S」系列直播栏目，邀请科研人员分享研究成果。本期邀请了浙江大学博士生丁佳乐分享他的研究成果，以神经网络为房价的空间异质性提供新解释。他们构建了osp-GNNWR模型，通过解算因变量与自变量的空间非平稳回归关系实现神经网络的训练，能更准确地描述复杂的空间过程和地理现象。

本文介绍了多种时空自监督学习（ST-SSL）方法，旨在解决交通预测中的空间和时间异质性问题。结合卷积技术和自我监督任务的实验结果表明，这些方法在多个数据集上表现优异，适用于智能城市及其他时空应用。