本文提出了一种新的空间-时间变换网络的范例，用于改善长期交通预测的准确性。该模型使用图神经网络和自注意机制来建模交通数据中的有向空间相关性，并利用长程双向时间依赖性。实验证明，该模型在预测交通流量方面的性能优于现有工作。

该研究通过联合和自我训练方法，将零样本对话状态跟踪转化为少样本对话状态跟踪，利用目标域中的无标签数据，有效提高了对话状态跟踪模型的训练和微调，在 MultiWOZ 的所有领域中，平均联合目标准确率提高了 8%。

本文提出了一种新颖的双流训练方法，附加可拆卸的辅助累加途径以补偿信息损失，并促进全脉冲残余网络的训练。在测试阶段，该途径可被移除，保持低能耗，易于部署。通过广泛实验验证了 DST 的有效性。

本文提出了一种基于CLIP模型和图像水平监督的对象中心对齐方法，通过伪标注实现高质量对象提议并扩展词汇表，将两种对象对齐策略结合，实现了在OVD方案中对象和图像中心表示的最小化差距。该方法在COCO数据集上取得了36.6的AP50表现，在LVIS上，在罕见类别上超越了最新的ViLD模型达5.0的掩膜AP，总体提高3.4。