本研究提出了一种对比相似性感知双路径Mamba（CS-DPMamba）方法，旨在解决多变量时间序列数据建模中的长期依赖性和相似性获取问题。该方法通过时间对比学习和FastDTW构建相似性矩阵，实现了精确的节点分类，并在多个实际应用中表现出色。

本研究提出EffiCANet模型，旨在解决多变量时间序列预测中的长期依赖性和复杂关系问题。该模型利用大内核分解卷积等技术，显著提升了预测精度和计算效率，MAE降低最大10.02%，计算成本降低26.2%。

人类轨迹预测是一项实际任务，通过逐步预测人行人在道路上的未来位置，从短期到长期的时间范围进行预测。研究人员引入了一个新的预训练任务学习框架，用于增强模型对短期动态和长期依赖性的学习，并通过跨任务知识蒸馏来缓解知识的遗忘。

本文介绍了KF-RTRL算法，使用Kronecker分解逼近梯度，可用于学习长期依赖性的任务。实验结果表明，KF-RTRL算法在一些任务上与TBPTT算法性能相当，是TBPTT的有前途的替代方法。