推理增强的大语言模型（例如OpenAI-O1/3和DeepSeek-R1）的最新进展已大大提高了复杂任务的性能。但是，其内部推理过程的质量和透明度仍未得到充实。这项工作超越了最终的准确性，并通过将思维轨迹分为两个部分：知识和推理，研究了医学和数学领域中的逐步推理 ...
这项工作提出了一个合同的层次观察者，该观察者将位置和方向测量与IMU融合在一起，以生成平稳的位置，线性速度，方向和IMU偏置估计值，这些估计可以保证会收敛到其真实值。提出的方法由两个合同观察者组成。第一个是基于季度的方向观察者，它也估计陀螺仪偏置 ...
三维 (3D) 医学图像，例如计算机断层扫描 (CT) 和磁共振成像 (MRI)，对于临床应用至关重要。然而，当考虑到不同器官、诊断任务和成像方式的可变性时，对多样化和全面表示的需求尤为明显。如何有效地解释复杂的上下文信息并从这些图像中提取有意义的见解仍然是社区面临的一个公开挑战 ...
最近，人们提出了许多用于长期时间序列预测（LTSF）的深度学习模型。根据之前的文献，我们确定了三种可以提高预测准确性的关键模式：时间维度上的顺序和语义依赖关系以及跨变量依赖关系。然而，在开发预测模型时，很少有人努力同时考虑顺序和语义依赖性 ...
长期范围时间序列序列预测对于预测长时间的未来趋势和模式至关重要。尽管深度学习模型（例如变形金刚在推进时间序列的预测中取得了长足的进步），但它们经常在捕获长期依赖性和有效管理稀疏语义特征方面遇到困难。州空间模型Mamba通过对选择性输入和并行计算的熟练处理来解决这些问题，从而在计算效率和预测准确性之间达到平衡 ...
卫星图像时间序列（SITS）数据随着时间的流逝提供了连续的观察，从而可以在整个季节和年份跟踪植被的变化和生长模式。最近出现了使用位作物分类的许多深度学习（DL）方法，最新的方法采用了 Transformer 进行分类。但是， Transformer 中自我注意力的二次复杂性对长期序列进行分类构成了挑战 ...
多元时间序列预测在运输，气象和金融等领域至关重要，尤其是预测极端天气事件。最先进的方法主要依赖于 Transformer 体系结构，该结构利用注意机制来捕获时间依赖性。但是，这些方法受到二次时间复杂性的阻碍，从而限制了模型相对于输入序列长度的可伸缩性 ...
预测CPU性能涉及根据操作过程中的硬件特征估算性能得分，对于计算系统设计和资源管理至关重要。该研究领域目前面临两个主要挑战。首先，CPU产品的多样性和硬件特性的专业性质使现实世界中的数据收集变得困难 ...
