最近的进步将基于频率的技术逐渐融入深度学习模型，从而显着提高了时间序列分析任务的准确性和效率。然而，现实世界中的频谱频谱差距序列序列，其中能量集中在低频区域，而中频频段则可以忽略不计，这阻碍了现有深度学习模型提取关键频率信息的能力。此外，多变量时间序列中的共享键频率（不同的时间序列共享难以区分的频率模式）很少被现有文献所利用 ...

时间序列预测是统计和机器学习中的长期问题。关键挑战之一是通过长期依赖性处理序列。为此，最近的工作线应用了短时傅立叶变换（STFT），该变换将序列分配为多个子序列，并分别应用傅立叶变换 ...

低级别适应性（LORA）由于其效率和模块化而广泛用于将大型语言模型（LLM）调整为特定领域。同时，香草·洛拉（Vanilla Lora）在多任务场景中与任务冲突斗争。最近的作品通过将每个Lora模块视为专家来采用专家（MOE）的混合物，从而通过多个专业的Lora模块来减轻任务干扰 ...

3D场景的生成力求综合空间结构，语义上有意义的和逼真的环境，例如沉浸式媒体，机器人技术，自动驾驶和体现的AI。基于程序规则的早期方法提供了可伸缩性，但多样性有限。深层生成模型的最新进展（e ...

知识追踪（ kt）是根据学生与智能辅导系统的历史交互来预测学生未来表现的问题。最近的研究应用了多种类型的深度神经网络来解决kt问题。然而，现实世界的教育数据中有两个重要因素没有得到很好的体现... ...

本文介绍了 ConvTimeNet，这是一种新型的深度分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计是双重的，旨在克服传统卷积网络的局限性。首先，我们提出将时间序列自适应分割为子序列级别的补丁，将它们视为基本建模单元 ...

可见的红外人员重新识别（VI-REID）是一项具有挑战性的跨模式图像检索任务，旨在匹配可见和红外摄像机的行人图像。为了解决模态差距，现有的主流方法采用学习范式，将图像检索任务转换为图像分类任务，并具有跨熵损失和辅助度量学习损失。这些损失遵循调整提取的嵌入的分布以减少类内距离并增加阶层间距离的策略 ...

“傅立叶分析中时频分辨率的理论限制”被认为源于某些数学和/或物理局限性。但是，这不是真的。实际来源来自用于减少计算时间的数值（技术）方法 ...