Green Machine Learning via Augmented Gaussian Processes and Multi-Information Source Optimization
University of Milano-Bicocca（米兰比可卡大学）
搜索精确的机器和深度学习模型是一个计算成本高昂且非常耗能的过程。最近已经获得显著减少计算时间和能量消耗的重要性的策略是利用具有不同计算成本和不同“保真度”的不同信息源的可用性，通常是大数据集的较小部分。多源优化策略适用于基于高斯过程的贝叶斯优化方案。提出了一种利用多个信息源的增广高斯过程方法（AGP-MISO）。增广高斯过程仅使用可用源中的“可靠”信息进行训练。根据增广高斯过程定义了一种新的捕获函数。计算结果的报告有关的超参数的优化的支持向量机（SVM）分类器使用两个来源：一个大的数据集-最昂贵的一个-和一个较小的一部分，它的比较与传统的贝叶斯优化方法来优化的SVM分类器的超参数的大数据集只报告。
2020-06-25 cs.LG stat.ML
AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting
Central South University（中南大学）；Hisense TransTech Co., Ltd.（海信网络科技股份有限公司）；Zhejiang University（浙江大学）
交通量预测是智能交通领域的一项基础性和挑战性任务。准确的预测不仅依赖于历史交通流信息，还需要考虑各种外部因素的影响，如天气状况、周边POI分布等。近年来，融合图卷积网络和递归神经网络的时空模型成为交通预测的研究热点，并取得了重大进展。然而，很少有作品结合外部因素。因此，基于引入外部因素可以提高时空预测流量的准确性和改善解释性的假设，我们提出了一个属性增强时空图卷积网络（AST-GCN）。我们将外部因素建模为动态属性和静态属性，并设计了一个属性增强单元来编码和集成这些因素到时空图卷积模型中。在真实数据集上的实验表明，与传统的交通预测方法相比，考虑外部信息对交通预测任务的有效性。此外，在不同的属性增强方案和预测水平设置下，AST-GCN的预测精度高于基线。
2020-11-22 cs.LG
Kronecker-Structured Nonparametric Spatiotemporal Point Processes
Celonis AI
本文提出KSTPP模型，通过克罗内克结构高斯过程建模时空事件关系，提升建模灵活性并实现可解释性，采用分离乘积核和张量积高斯-勒让德求积方案提升计算效率。
2026-07-13 cs.LG
Non-separable Covariance Kernels for Spatiotemporal Gaussian Processes based on a Hybrid Spectral Method and the Harmonic Oscillator
School of Electrical and Computer Engineering, Technical University of Crete（克里特技术大学电气与计算机工程学院）
本文提出基于物理的混合谱方法，从线性阻尼谐振子推导出非可分时空协方差核，涵盖三种阻尼状态，可捕捉单调与振荡衰减的时空相关性。
2024-01-09 cs.AI cs.LG math.ST
SPTTE: A Spatiotemporal Probabilistic Framework for Travel Time Estimation
Beijing University of Posts and Telecommunications（北京邮电大学）；McGill University（麦吉尔大学）
针对多行程旅行时间分布时间变异性建模的挑战及数据稀疏不均问题，提出SPTTE时空概率框架，将任务转化为带碎片化观测的时空随机过程回归问题，在真实数据集上性能提升超10.13%。
2024-11-27 cs.LG
Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities
Sequoia Research Corporation（红杉研究公司）
本文针对非平稳高斯过程模型易过拟合等问题，受SBAS电离层建模启发，提出协方差增强高斯过程（CBGP）框架，通过增强协方差先验等方法发现潜在函数，经测试证明其有效性和鲁棒性，能在复杂环境中准确计算电离层校正。
2026-08-26 cs.LG physics.space-ph stat.ME
Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations
Massachusetts Institute of Technology（麻省理工学院）；Woods Hole Oceanographic Institution（伍兹霍尔海洋研究所）
本文提出流式高斯狄利克雷随机场（S-GDRF），用于高效建模稀疏高维类别观测流，在有界时间复杂度下实现快速推理，并在浮游生物图像数据上取得优于变分高斯过程的预测精度，为高维类别观测的信息路径规划奠定基础。
2024-02-23 cs.LG cs.RO
Modal Analysis of Spatiotemporal Data via Multivariate Gaussian Process Regression
The Pennsylvania State University（宾夕法尼亚州立大学）
针对数据稀缺和不规则采样问题，提出基于多元高斯过程回归（MVGPR）的模态分析技术，通过精心设计的核结构关联线性动力学，在多类数据基准测试中展现出优于DMD和SPOD的潜力。
2024-03-19 cs.LG math.DS math.SP
Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes
Imperial College London（伦敦帝国理工学院）；University of Copenhagen（哥本哈根大学）；Boston College（波士顿学院）；University of Oxford（牛津大学）
霍克斯过程是一种点过程模型，已被用于捕获社会互动，神经活动，地震和病毒流行病中的自兴奋行为。它们可以模拟事件发生的时间和地点。在这里，我们开发了一类新的时空霍克斯过程，可以捕获触发和聚类行为，我们提供了一个有效的方法进行推理。我们使用对数高斯Cox过程（LGCP）作为Hawkes过程的背景率的先验，它提供了任意的灵活性来捕获广泛的潜在背景效应（对于传染病，这些被称为地方病效应）。Hawkes过程和LGCP是计算昂贵的，由于前者具有可能性与二次复杂性的观测数量和后者涉及的精度矩阵的求逆，这是立方的观测。在这里，我们提出了一种新的方法来执行MCMC采样为我们的霍克斯过程与LGCP的背景下，使用预训练的高斯过程生成器，提供直接和廉价的访问样本在推理过程中。我们在模拟数据的实验中展示了我们方法的有效性和灵活性，并使用我们的方法来揭示美国报告犯罪数据集的趋势。
2022-10-21 cs.LG stat.ML
Bayesian Few-Shot Classification with One-vs-Each Pólya-Gamma Augmented Gaussian Processes
Vector Institute, University of Toronto（向量研究所，多伦多大学）
Few-Shot分类（FSC）是在给定小的标记数据集的情况下使分类器适应看不见的类的任务，是迈向类人机器学习的重要一步。贝叶斯方法非常适合解决在Few-Shot场景中过度拟合的基本问题，因为它们允许从业者指定先验信念并根据观察到的数据更新这些信念。当代的贝叶斯Few-Shot分类方法保持了模型参数的后验分布，这很慢，并且需要随模型大小而扩展的存储。相反，我们提出了一个基于Pólya-Gamma增强和one-vs-each softmax近似的新组合的高斯过程分类器，使我们能够有效地边缘化函数而不是模型参数。我们证明了改进的准确性和不确定性量化标准的Few-Shot分类基准和Few-Shot域转移任务。
2021-01-21 cs.LG stat.ML
Weakly Augmented Variational Autoencoder in Time Series Anomaly Detection
University of Technology Sydney（悉尼科技大学）；Macquarie University（麦考瑞大学）；Tongji University（同济大学）
针对时间序列异常检测中数据稀缺导致潜在空间不连续及重构非鲁棒的问题，提出一种结合变分自编码器与自监督学习的新型生成框架。
2024-01-07 cs.LG stat.ML
From Incomplete Coarse-Grained to Complete Fine-Grained: A Two-Stage Framework for Spatiotemporal Data Reconstruction
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
针对时空数据采集常为非完整粗粒度、限制应用的问题，本文提出时空数据重建新任务，构建基于DDPM的两阶段框架DiffRecon，分别捕捉空间相关性与时间模式，实现完整细粒度数据推断，经多数据集实验验证方法优越。
2024-10-05 cs.AI cs.LG
diffIRM: A Diffusion-Augmented Invariant Risk Minimization Framework for Spatiotemporal Prediction over Graphs
Columbia University（哥伦比亚大学）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
本文提出diffIRM框架，通过结合因果掩码生成器与图扩散模型进行数据增强，并设计不变性惩罚正则化训练，以解决图上时空预测中的分布外泛化问题，在三个人类移动性数据集上优于基线方法。
2024-12-31 cs.LG
Gaussian Process for Trajectories
University of Southern California（南加州大学）；Microsoft Corporation（微软公司）
高斯过程是用于内插时空数据的强大且灵活的技术，特别是其从输入信号捕获复杂趋势和不确定性的能力。本章介绍了高斯过程作为一种插值技术的地理空间轨迹。高斯过程将轨迹的测量建模为来自多维高斯，并且它为每个时间戳产生高斯分布作为预测。我们讨论的元素时，需要考虑的应用高斯过程的轨迹，这些元素的共同选择，并提供了一个具体的例子，实现一个高斯过程。
2021-10-07 cs.LG stat.ML
Geometry-aware Active Learning of Spatiotemporal Dynamic Systems
Department of Industrial & Systems Engineering, The University of Tennessee（工业与系统工程系，田纳西大学）
本文提出一种几何感知主动学习框架，结合几何感知时空高斯过程与自适应主动学习策略，有效整合时间相关性与3D几何流形特征，在3D心脏电动力学建模中显著提升预测精度。
2025-05-01 cs.LG stat.ML
A Gaussian process latent force model for joint input-state estimation in linear structural systems
University of Waterloo（滑铁卢大学）；University of Notre Dame（圣母大学）
研究了基于结构模型的先验知识和实测响应的线性结构系统的状态和输入联合估计问题。提出了一种新的方法，使用高斯过程的潜在力量模型来解决这个问题，在一个随机设置。高斯过程潜在力模型（GPLFM）是将表示物理系统的微分方程与数据驱动的非参数高斯过程模型相结合的混合模型。在这项工作中，未知的输入力作用在一个结构上被建模为高斯过程与一些选择的协方差函数相结合的机械微分方程表示的结构，以构建一个GPLFM。GPLFM，然后方便地制定为一个增广的随机状态空间模型与额外的状态表示的潜在的力分量，和联合输入和状态推断的结果模型使用卡尔曼滤波器实现。GPLFM的增广状态空间模型被示出为输入增广状态空间模型类的泛化，被证明是可观察的，并且在数值稳定性方面与常规增广公式相比是鲁棒的。基于观测数据，使用最大似然优化来估计控制协方差函数的超参数，从而克服了通过试错法手动调整超参数的需要。为了评估所提出的GPLFM方法的性能，状态和输入估计的几种情况下，演示了使用数值模拟的10自由度剪切建筑物和76层ASCE基准办公楼。结果表明，所提出的方法优于传统的卡尔曼滤波器为基础的方法的性能。
2019-04-02 cs.LG stat.ML
Large-Scale Cox Process Inference using Variational Fourier Features
高斯过程调制泊松过程为时空点模式的建模提供了一个灵活的框架。到目前为止，这一直局限于一维，将其合并到预先确定的网格，或多达几千个数据点的小数据集。本文介绍了基于傅立叶特征的Cox过程推断。这种稀疏表示在函数空间上引入全局约束而不是局部约束，并且计算效率高。这使我们能够制定一个无网格的近似，以及与数据点的数量和域的大小的规模。我们证明，这使得MCMC近似的非高斯后验。我们还发现，在实践中，傅立叶特征具有更一致的优化行为比以前的方法。我们的近似贝叶斯方法可以在单个GPU上以三维形式拟合超过100，000个具有复杂时空模式的事件。
2018-04-03 cs.LG stat.ML
Spatiotemporal Learning of Multivehicle Interaction Patterns in Lane-Change Scenarios
McGill University（麦吉尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Beijing Institute of Technology（北京理工大学）
对常见但具有挑战性的交互场景的解释可以为自动驾驶汽车做出有根据的决策。以前的研究利用他们对特定场景的先验知识和预定义的模型实现了这一点，限制了他们的适应能力。本文描述了一种利用连续（即，高斯过程）和离散（即，狄利克雷过程）的随机过程，以揭示潜在的相互作用模式的自我车辆与其他附近的车辆。我们的模型放松依赖于周围车辆的数量，通过开发一个加速度敏感的速度场的基础上高斯过程。实验结果表明，该速度场能够较好地反映自车与周围环境的空间相互作用。然后，一个离散贝叶斯非参数模型，集成狄利克雷过程和隐马尔可夫模型，开发学习的时间空间上的相互作用模式，通过分割和聚类的顺序相互作用数据自动解释粒度模式。然后，我们评估我们的方法在高速公路换道的情况下，使用从现实世界的设置收集的highD数据集。结果表明，我们提出的贝叶斯非参数方法提供了一个深入了解复杂的车道变化的相互作用的自我车辆与多个周围的交通参与者的基础上，可解释的相互作用模式和它们的过渡性质的时间关系。我们提出的方法揭示了有效地分析其他类型的多智能体交互，如车辆-行人的相互作用。通过https://youtu.be/z_vf9UHtdAM查看演示。
2020-09-05 cs.LG cs.RO
EVARS-GPR: EVent-triggered Augmented Refitting of Gaussian Process Regression for Seasonal Data
Technical University of Munich（慕尼黑工业大学）；Weihenstephan-Triesdorf University of Applied Sciences（魏恩施蒂芬-特里斯多夫应用技术大学）
时间序列预测是一个不断发展的领域，具有不同的应用。然而，由于内部或外部影响，系统行为随时间的变化是具有挑战性的。因此，先前学习的预测模型的预测可能不再有用。在本文中，我们提出了事件触发的季节性数据高斯过程回归（EVARS-GPR），一种新的在线算法，能够处理季节性数据的目标变量尺度的突然变化。为此，EVARS-GPR将在线变化点检测与使用变化点之前样本的数据增强对预测模型进行重新调整相结合。模拟数据的实验表明，EVARS-GPR适用于宽范围的输出尺度变化。与具有类似计算资源消耗的方法相比，EVARS-GPR在不同真实世界数据集上的RMSE平均低20.8%。此外，我们表明，我们的算法导致六倍减少的平均运行时间与周期性改装策略的所有比较伙伴。总之，我们提出了一个计算效率高的在线预测算法的季节性时间序列的目标变量规模的变化，并证明其功能的模拟以及真实世界的数据。所有代码都可以在GitHub上公开获取：https://github.com/grimmlab/evars-gpr。
2021-07-06 cs.AI cs.LG stat.AP
P-K-GCN: Physics-augmented Koopman-enhanced Graph Convolutional Network for Deep Spatiotemporal Super-resolution
Department of Industrial & Systems Engineering, The University of Tennessee, Knoxville, TN, USA（工业与系统工程系，田纳西大学， Knoxville，TN，美国）；Charles F. Dolan School of Business, Fairfield University, Fairfield, USA（查尔斯·F·多兰商学院，费尔菲尔德大学， Fairfield，美国）；Department of Electrical Engineering & Computer Science, The University of Tennessee, Knoxville, TN, USA（电气工程与计算机科学系，田纳西大学， Knoxville，TN，美国）
提出P-K-GCN，结合样条GCN和Koopman算子理论，在非规则几何上实现时空超分辨率，并通过物理损失和理论分析保证误差降低。
2026-06-18 cs.LG
Spatiotemporal-Augmented Graph Neural Networks for Human Mobility Simulation
College of Computer Science, Zhejiang University（浙江大学计算机学院）；College of Software Technology, Zhejiang University（浙江大学软件技术学院）；State Key Laboratory of Blockchain and Security, Zhejiang University（浙江大学区块链与安全国家重点实验室）
本文提出时空增强图神经网络STAR，通过时空图捕捉位置动态时空对应关系并建模停留时长，以对抗方式优化，在四个真实数据集上验证了其在人类移动模拟任务中的优越性。
2024-06-06 cs.AI cs.LG
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting
Microsoft（微软）
针对金融均值回复时间序列长期预测与不确定性建模问题，本文用GPs结合函数型和增强数据结构，在模拟噪声、厚尾及核失配环境下验证其分布预测能力。
2024-02-23 cs.AI cs.LG q-fin.ST
Gaussian Process Regression of Steering Vectors With Physics-Aware Deep Composite Kernels for Augmented Listening
National Institute of Informatics（国家信息研究所）
本文提出基于神经场的高斯过程框架，结合物理意识复合核，用于增强听觉中转向矢量的连续表示，以实现更有效的空间滤波和双耳渲染。
2026-04-16 cs.AI cs.LG cs.SD
Bridge: Retrieval-Augmented Spatiotemporal Modeling for Urban Delivery Demand
McGill University（麦吉尔大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Toronto（多伦多大学）；MIT（麻省理工学院）
本文提出Bridge框架，通过结合归纳上下文图结构和时间感知的记忆模块，解决新加入服务区域缺乏历史记录导致的城市配送需求预测难题，提升了冷启动区域的预测性能。
2026-05-18 cs.AI cs.LG
Spatiotemporal Attention-Augmented Inverse Reinforcement Learning for Multi-Agent Task Allocation
College of Electronic and Information Engineering, Tongji University（同济大学电子与信息工程学院）；Shanghai Research Institute for Intelligent Autonomous Systems, Tongji University（同济大学智能自主系统上海研究院）；Graz University of Technology（格拉茨技术大学）；Virtual Vehicle Research GmbH（虚拟车辆研究公司）
本文提出一种基于时空注意力的逆强化学习框架，用于多智能体任务分配，通过约束奖励推断提升稳定性与效率。
2026-02-09 cs.LG cs.MA
Learning from History: A Retrieval-Augmented Framework for Spatiotemporal Prediction
Peking University（北京大学）；Tencent Inc（腾讯公司）；Tsinghua University（清华大学）
针对深度学习模型长期时空预测误差累积、不符合物理规律的问题，提出检索增强预测框架RAP，结合深度网络与历史相似态数据提供动力学引导，在多领域基准测试中性能更优且预测更具物理真实性。
2025-10-28 cs.AI cs.LG
Learning-Augmented Competitive Algorithms for Spatiotemporal Online Allocation with Deadline Constraints
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；California Institute of Technology（加州理工学院）；University of Waterloo（滑铁卢大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出带截止期限约束的时空在线分配问题 SOAD，设计学习增强竞争算法 ST-CLIP，给出匹配下界，并在碳感知工作负载调度实验中显著优于启发式基线。
2025-03-12 cs.DC cs.DS cs.LG
MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm
Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences（智能机器研究所，合肥物理科学研究院，中国科学院）；University of Science and Technology of China（中国科学技术大学）
提出基于多模式非线性变换张量核范数的MNT-TNN方法，结合PAM算法和ATTNNs框架，有效补全随机缺失的时空交通数据，在真实数据集上优于现有方法。
2025-09-26 cs.LG
Deep Gaussian Markov Random Fields for Graph-Structured Dynamical Systems
University of Amsterdam（阿姆斯特丹大学）
本文提出将图结构状态空间模型重构为深度高斯马尔可夫随机场，利用空间与时间图层构建可学习的时空先验，并通过变分推断和共轭梯度法实现比卡尔曼滤波更高效的状态估计与学习。
2023-10-27 cs.LG
Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Lahore University of Management Sciences（拉合尔管理科学大学）
本文提出VMGCN框架，先用VMD将非平稳时空交通数据分解为可解释模式，再通过注意力增强GCN学习模式内与模式间依赖，在LargeST上实现短期和长期预测精度提升。
2025-07-21 cs.LG
Will there be a construction? Predicting road constructions based on heterogeneous spatiotemporal data
The Ohio State University（俄亥俄州立大学）；Lyft Inc.（Lyft公司）
公路建设项目维护交通基础设施。这些项目包括短期的（例如，重铺路面或固定坑洞）到长期（例如，（一座桥或一座桥）。决定下一个建设项目是什么以及何时安排，传统上是通过使用特殊设备的人的检查来完成的。这种方法成本高，难以扩展。另一种方法是使用计算方法，整合和分析多种类型的过去和现在的时空数据，以预测未来道路建设的位置和时间。本文报告了这样一种方法，它使用基于深度神经网络的模型来预测未来的建筑。我们的模型在由建筑、天气、地图和道路网络数据组成的异构数据集上应用卷积和递归组件。我们还报告了我们如何解决缺乏足够的公开数据的问题-通过建立一个名为“美国建设”的大规模数据集，其中包括2016年至2021年在美国（US）收集的620万个道路建设案例，这些案例由各种时空属性和道路网络特征增强。通过对美国几个主要城市的广泛实验，我们展示了我们的工作在准确预测未来建筑方面的适用性-平均f1分数为0.85，准确率为82.2% -优于基线。此外，我们还展示了我们的训练管道如何解决数据的空间稀疏性。
2022-09-14 cs.LG
TransGlow: Attention-augmented Transduction model based on Graph Neural Networks for Water Flow Forecasting
Gina Cody School of Engineering and Computer Science（吉娜·科迪工程与计算机科学学院）；Concordia University（康考迪亚大学）
针对互联水系统中变量关系建模与历史数据不足问题，本文提出结合高效注意力、GCRN和自适应稀疏图学习的时空预测模型TransGlow，并发布加拿大水流基准数据集，性能显著优于基线。
2023-12-10 cs.LG
Adaptive Spatiotemporal Augmentation for Improving Dynamic Graph Learning
School of Software and Microelectronics, Peking University（北京大学软件与微电子学院）；University of Science and Technology of China（中国科学技术大学）
针对动态图增强中过度侧重近期边易引入噪声的问题，提出STAA方法，从时空维度识别噪声边并通过随机游走生成增强邻接矩阵，提升动态GNN在节点分类等任务的性能。
2025-01-17 cs.AI cs.LG
VARENN: Graphical representation of spatiotemporal data and application to climate studies
Field Science Education and Research Center (FSERC), Kyoto University（京都大学 田野科学教育研究中心（FSERC））；Center for the Promotion of Interdisciplinary Education and Research, Kyoto University（京都大学 跨学科教育研究推进中心）
分析和利用时空大数据是气候变化研究的基础。然而，由于统计框架的限制，这些数据没有完全纳入气候模型。在这里，我们采用VARENN（神经网络的环境视觉增强表示），有效地总结了1901-2016年的气候数据的月度观测到二维图形图像。使用彩色图像的红色、绿色和蓝色通道，在单个图像中同时表示三个不同的变量。对于全局数据集，通过卷积神经网络训练模型。这些模型成功地对气温和降水的升降进行了分类。此外，输入变量和目标变量之间的相似性被观察到对模型准确性有显着影响。输入变量的季节和年际变化，其重要性量化模型的功效。因此，VARENN是一种有效的方法来总结时空数据的客观和准确。
2019-07-23 cs.LG physics.ao-ph stat.ML
Spatiotemporal Gaussian representation-based dynamic reconstruction and motion estimation framework for time-resolved volumetric MR imaging (DREME-GSMR)
The Advanced Imaging and Informatics for Radiation Therapy (AIRT) Laboratory（先进成像与放射治疗信息学（AIRT）实验室）；The Medical Artificial Intelligence and Automation (MAIA) Laboratory（医学人工智能与自动化（MAIA）实验室）；Department of Radiation Oncology, University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心放射肿瘤科）；Department of Medical Physics, Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心医学物理系）
本文提出DREME-GSMR框架，通过3D高斯表示实现亚秒级动态MRI重建，无需先验模型即可进行实时影像和运动追踪。
2026-07-10 cs.LG physics.med-ph
IDRIFTNET: Physics-Driven Spatiotemporal Deep Learning for Iceberg Drift Forecasting
Department of Information Systems（信息系统系）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）；iHARP: NSF HDR Institute（iHARP：NSF HDR研究所）
IDRIFTNET 提出物理驱动混合深度学习模型，结合解析物理公式、残差学习与旋转增强谱神经网络，在有限数据和动态环境下实现更准确的冰山漂移轨迹预测。
2025-06-18 cs.LG physics.ao-ph
Time-resolved dynamic CBCT reconstruction using prior-model-free spatiotemporal Gaussian representation (PMF-STGR)
University of Texas Southwestern Medical Center（德克萨斯大学西南医学中心）
本文提出PMF-STGR框架，利用3D高斯表示参考解剖结构、由粗到细MBC和CNN时间编码，从单次标准CBCT扫描无先验地重建逐投影动态图像，相较PMF-STINR提速50%且精度更高。
2025-07-24 cs.LG eess.IV physics.med-ph
Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data
McGill University（麦吉尔大学）；HEC Montreal（蒙特利尔高等商学院）
本文提出贝叶斯互补核化学习（BCKL）框架，结合核化低秩张量分解与短程高斯过程，实现多维时空数据的高效可扩展概率建模，并在实验中验证了其在后验均值和不确定性估计上的优越性能。
2023-05-30 cs.LG stat.ML
ST-DPGAN: A Privacy-preserving Framework for Spatiotemporal Data Generation
Data61, CSIRO（Data61联邦科学与工业研究组织（澳大利亚））；University of Rochester（罗切斯特大学）；Australian National University（澳大利亚国立大学）；Tsinghua University（清华大学）；RMIT University（皇家墨尔本理工大学）；Qatar Mobility Innovations Center（卡塔尔交通创新中心）；University of New South Wales（新南威尔士大学）
针对时空数据包含敏感信息不适合第三方访问的问题，提出基于 Graph-GAN 的隐私保护生成模型，通过引入时空注意力块和反卷积结构实现 differential privacy，在保证隐私的同时维持了数据效用和预测性能。
2024-06-04 cs.AI cs.CR cs.LG
V2V Spatiotemporal Interactive Pattern Recognition and Risk Analysis in Lane Changes
Tongji University（同济大学）；Texas A&M Transportation Institute（德克萨斯农工大学交通研究所）
在复杂的变道场景中，自动驾驶汽车需要对动态交互模式进行语义解释和安全性分析，以做出正确的决策。本研究提出一个结合连续性互动式模式识别方法与风险分析方法的无监督学习架构。隐马尔可夫模型与高斯混合模型（GMM-HMM）的方法来分解LC场景到原语。然后，基于动态时间规整（DTW）距离的K-均值聚类被用来收集13种类型的交互模式的基元。最后，本研究以两种类型的碰撞时间（TTC）为指标，分析交互模式的风险，并提取高风险的LC交互模式。从高速公路无人机数据集（highD）获得的结果表明，所识别的LC交互模式包含可解释的语义信息。研究揭示了LC交互模式的时空演化规律和风险形成机制，有助于全面认识潜在的交互模式，提高自主车辆决策的合理性和安全性。
2021-05-22 cs.LG eess.SP
Extracting Spatiotemporal Demand for Public Transit from Mobility Data
Delft University of Technology（代尔夫特理工大学）；ETH Zürich（苏黎世联邦理工学院）；University of Strathclyde（思克莱德大学）；Universidade de Lisboa（里斯本大学）
随着人们不断迁移到不同的城市地区，我们对工作、服务和休闲的流动性需求正在迅速转变。不断变化的城市人口构成对有效管理过境服务提出了若干挑战。为了预测过境需求，规划者往往诉诸社会学调查或模型，这些调查或模型要么难以获得，要么不准确或过时。那么，我们如何才能估计对流动性的多样化需求呢？我们提出了一个简单的方法来确定在一个城市的公共交通的时空需求。使用高斯混合模型，我们将经验的客流量数据分解成一组时间的需求配置文件，代表在任何给定的一天的客流量。大伦敦地区每天约460万条公交线路的案例显示了不同的需求特征。我们发现，这些配置文件的加权混合物可以产生任何站的交通非常好，揭示空间同心集群的流动性需求。我们的方法分析的时空地理的城市可以扩展到其他城市地区的不同模式的公共交通。
2020-06-05 cs.LG physics.soc-ph stat.OT
Recursive KalmanNet: Deep Learning-Augmented Kalman Filtering for State Estimation with Consistent Uncertainty Quantification
Exail
本文提出Recursive KalmanNet，一种结合卡尔曼滤波与循环神经网络的深度学习滤波器，通过递归Joseph公式和高斯负对数似然优化实现一致误差协方差量化，在非高斯噪声下优于传统方法。
2025-06-13 cs.LG eess.SP stat.ML
