- 博客(777)
- 收藏
- 关注
RSS订阅原创 时间序列预测方向卷SOTA不如卷这个！
时间序列预测还能做什么创新？不知道大家还记不记得ICLR2023的patchTST，这模型距提出也不过2年，最近一看引用已经1500+了，感觉也是很有潜力的研究主题。值得一提的是，去年SOTA都是按照patchTST做的基线，而且现在它的核心机制还没饱和，优化点也很明确，比如计算效率、应用场景这些，围绕它做研究还是有很大的创新空间的。如果大家有兴趣，我今天就来推荐patchTST相关4个值得投入的创新方向。每个方向都附上了最新论文，帮助大家理解，论文共有12篇，有代码，大家也可用作baseline参考。
2025-08-12 18:01:44
306
原创 2025年多目标优化最新创新点有哪些？
最近研究了一波的最新进展，发现了几个超有潜力的创新方向！于是整理了一下来和大家分享。每个方向我都配上了相应的前沿论文，方便大家理解并用作baseline参考。，已分类，有代码，只要是想靠多目标优化发论文的，相信都能用的到！全部论文+开源代码需要的同学看文末。
2025-08-11 18:34:04
501
原创 2025时间序列相关顶会论文盘点（附原文源码）
本文梳理 2025 各大顶会有关时间序列 ＆ 时空领域的最新研究成果，一共 246 篇，附开源代码，包含 IJCAI、ICLR、AAAI、ICML、WWW、ICDE、KDD、SIGMOD，供大家参考。全部论文+开源代码需要的同学看文末时序预测：90篇时序分类：18篇时序建模：7篇时序大模型：4篇异常检测：18篇表示学习：6篇可解释性：3篇时间patch：16篇基础模型：4篇时序数据处理：7篇时间序列生成：7篇不规则时序：6篇应用-金融：2篇应用-医疗：2篇时空领域：6篇。
2025-08-08 18:09:46
752
原创 论文破局利器：目标检测DETR！高创新性+低竞争度
现在目标检测这领域，Yolo系列改进空间已经被压榨的所剩无几了，要想发论文，不如选DETR。尤其RT-DETR，更有新意，卷的人少很多。DETR的优势在于精度高，但速度上略逊色，还比较烧卡...因此未来的创新重点在“好用不贵”，即训练速度、边缘部署、任务泛化上。更具体点就是Query设计的高效化、工业界刚需的轻量化特征融合、跨模态自监督预训练等，没思路的论文er可以尝试切入。
2025-08-08 13:48:00
436
原创 结合创新！ResNet+Transformer“黄金上分搭档”！审稿人直呼内行
时至今日，许多大领域都离不开ResNet和Transformer这两种结构，其中ResNet更是成为了21世纪被引量最多的论文！这种背景下，ResNet抓细节+Transformer建模全局的黄金搭档，依然是科研“金矿”，在医疗/工业质检等垂直领域还是刚需，远没到退场的时候。而且近期随着硬件优化和多模态融合，这组合更香了，顶会上每届都有一批变体，很明显还能继续卷！不过现在光靠“结构微调+刷点”是行不通了，需要结合垂直领域痛点，往计算代价控制、复杂数据等深入才有机会。
2025-08-07 11:16:55
615
原创 (CVPR 2025)动态卷积超进化！清华新作炸场，即插即用，性能横扫SOTA！
动态卷积让CNN老树开新花！它自适应能力，以及计算硬件友好的优势起码还能在工业界再战五年！而且这方向理论门槛不高、易出增量成果，可以说是论文er的避险赛道。尤其今年，这方向在顶会顶刊上依然很吃香，光CVPR 2025就有OverLoCK、FDConv、清华LSNet（性能爆炸）等多篇成果，很明显还没卷到饱和。而且现在工业落地比“刷点”更重要，只要方法能带来显着效率提升，短文也能中顶会（比如ICCV的Industry Track）。
2025-08-06 10:32:31
429
原创 多模态融合近期比较好发论文的方向！
多模态融合，AI领域的“当红炸子鸡，前景可以用 “星辰大海” 来形容。这领域好发论文，但想发顶会顶刊，就得学会避坑，暴力融合不可取！今天就帮大家梳理一下多模态融合近期容易出成果的几个方向，另附20篇参考论文+开源代码方便各位学习，都是最新，包含顶会顶刊成果。全部论文+开源代码需要的同学看文末。
2025-08-05 10:01:09
698
原创 结合深度学习+组合优化，小小Nat Commun，拿捏~
近年来，深度学习凭借数据驱动、并行计算和动态建模的优势，在组合优化领域取得了显著的进展。而且随着算法的优化、硬件的升级，它也正逐渐成为复杂组合优化问题的主流解决方案。不过很显然，泛化性能、计算成本等依然是这方向难以突破的挑战，但从学术角度来讲，这些对论文er来说可都是创新突破口。比如今年我就已经在AAAI、Nat. Commun.看见相关成果了，中稿率可观。就目前来看，这方向的发展前景不仅依赖于技术创新（比如预训练框架、可解释性技术），更与物流、金融、制造等行业的数字化转型需求深度绑定。
2025-08-01 17:00:51
700
原创 多模态数据融合火了，想要高分可以这么做！抓紧上车卷一篇！
工业界喊了十年“多模态”，现实却是模态缺失、异构、低质量成了常态。在这种需求爆炸，但数据稀碎的情况下，现在对多模态数据融合的研究可不是一般的火。结合最新顶会动态和工业痛点来看，如今这方向基本还是围绕编码器-解码器、注意力机制、GNN、生成神经网络等主流方法进行优化，建议大家先找些新论文了解技术进展再入手。为节省大家找参考的时间，我整理好了26篇多模态数据融合前沿论文，包含上述主流方法，代码也有。现在这方向还是有点卷的，技术迭代必然很快，大家感兴趣就抓紧上车。全部论文+开源代码需要的同学看文末。
2025-08-01 10:22:41
393
原创 锁定中科院1区TOP！融合LSTM与Attention做时间序列预测 ！
Transformer虽火，但在数据少、要求稳的时序预测场景中，LSTM仍是首选。尤其加上注意力机制后，更是弥补了LSTM的短板，增强了性能，实现了更精确的预测。这种组合不仅应用场景广泛，工业界爱，学术界也很是认可。对于论文er来说，它比纯Transformer好复现，又比单LSTM容易发论文。而且最近陆续上榜了好几篇中科院一区TOP成果，看出来很适合想发中高区的同学入场了。不过只堆模块肯定不行，建议多绑实际场景，从注意力结构改造、损失函数设计、非平稳性分解切入。
2025-07-30 17:07:20
426
原创 时间序列关于可解释性值得关注的论文汇总（含代码）
CV和NLP领域已经卷上天了，想必各位论文er“深受其害”，今天就给大家推荐一个竞争相对较小、潜力巨大的前沿领域——众所周知，时序模型是金融、医疗、交通等高风险、高敏感度领域的基石，而这些应用场景对模型的可解释要求非常高。因此，时间序列的可解释性研究也是我们至关重要的课题。从我最近梳理的来看（含顶会顶刊），如今的研究重心正从追求纯粹的预测准确性，转向寻求可信赖、可理解、可干预的AI系统。也推荐各位论文er参考这些论文，站在前人的肩膀上做出创新。全部论文+开源代码需要的同学看文末。
2025-07-29 16:33:56
651
原创 Mamba+特征匹配，突破效率与性能的平衡极限，涨点起飞！
在特征匹配领域，传统方法已经刷不动指标了，不妨考虑Mamba。现在Mamba+特征匹配是块香饽饽，既能蹭上SSM的热度，又具备解决实际问题的潜力，MIT（新作MambaGlue）都在做。它效率与精度的双重优势、强大的泛化能力，以及在轻量化需求下的极高适配性，让这方向在近半年的顶会顶刊中相当受欢迎，光CVPR25就看见不少（效率性能双UP的Jamma）。不过看样子它的“红利期”也持续不久，想发论文的同学抓紧。如果想快速出成果，可考虑找个垂直场景（医疗/遥感优先），构建轻量级混合架构；
2025-07-28 16:07:27
918
原创 SAM升级！医学图像分割新突破！
医学图像分割领域迎来新突破！SAM模型凭借出色的泛化能力，正成为解决医学图像标注难题的利器。近期CVPR2025、IEEETMI等顶会顶刊密集发表相关成果，显示该方向研究热度高涨。本文精选15篇最新前沿论文（均含开源代码），涵盖半监督学习、自适应提示、3D适配等创新方向。代表性工作包括：通过无监督提示和偏好优化的半监督分割框架；引入时间适配器和置信记忆的SAMed-2；自动生成3D提示的Self-Prompt-SAM等。这些研究通过"微创新"解决医疗场景特定问题，为研究者提供丰富技术参考
2025-07-25 17:30:56
333
原创 目前MLLM的研究有哪些比较好的切入点？
MLLM确实是当下的研究热点，从Meta最近在多模态模型上下的功夫就能看出来。如果有想法切入，现在入场也不算晚，长尾问题还有模态扩展问题一堆。这方向门槛比较低的切入点可以考虑小目标推理增强、多模态指令调优优化、工业异常检测，方便快速出成果。想冲CVPR/AAAI/NeurIPS，就试试效率提升、认知机制、啃视频/具身、伦理合规等。比起单模态LLM，MLLM现在还处在“蓝海混战”阶段，想发论文的抓紧把握窗口期。我这回准备了70篇MLLM前沿论文，包含近三年代表性模型，开源代码已附，需要参考的自取。
2025-07-21 17:18:25
918
原创 登上Science子刊封面的硬核idea：端到端强化学习！
是什么让华科微软地平线争先发文？原来是端到端强化学习！先是性能提升3倍的RAD，再是首个基于GRPO的自动驾驶大模型AlphaDrive，以及纯视觉SOTA模型ReCogDrive，甚至还有的登上了Science子刊封面...只粗略一看，就能体会到端到端RL如今的热门程度，尤其在具身智能和大模型决策这俩赛道，真真是火力全开！其实端到端RL现在就像10年前的深度学习—— 框架未定，山头林立，可发挥空间大，对于论文er来说，是绝好的发文选择。
2025-07-16 17:17:42
531
原创 把“傅里叶变换、注意力机制”组合在一起，这篇文章你一定要看
傅里叶变换+注意力机制，科研界的“当红炸子鸡”！它解决了AI模型的两个致命痛点——长程依赖建模效率低，和复杂信号特征捕捉不充分，应用价值显而易见！自清华FoPE等陆续发布于ICML25之后，这种组合热度飙升，又因其“故事”易讲，创新点包装灵活，成为了顶会顶刊持续青睐的“真香”方向！但值得注意的是，死磕通用架构早已不是这方向发文首选，深入某个垂直领域，针对性解决问题，再讲好故事，想必审稿人会更有兴趣。比如考虑“领域定制滤波”，可快速出成果；
2025-07-14 17:05:56
337
原创 超强组合！CNN+RNN！！
今天聊聊CNN+RNN。这组合确实不算新潮了，但在特定赛道，比如结合新问题或新架构时，还是很有“闷声发论文”的潜力的。还记得新架构TTT吗？在当前纯CNN+RNN结构堆砌难发好文的情况下，这就是一种突破。还有“老结构新问题（农业/生物）”、“新解释（神经机制）”等方向，都是CNN+RNN老树还能开新花的好选择。因此如果有论文er感兴趣，不妨一试。想快速出成果，就做做应用创新；想冲顶会顶刊，可以考虑TTT架构+神经科学解释。本文整理了10篇CNN+RNN前沿论文，帮助各位了解最新进展，找准思路。
2025-07-11 16:29:16
734
原创 顶刊发表：时空预测新突破！精度超10+倍，速度超100+倍
近期，北大团队提出了一个时空预测新架构U-RNN，已发表在Journal of Hydrology（一区TOP）。实验证明，其精度超过现有AI模型10+倍（MAE），速度超过机理模型100+倍！可见到了2025年，时空预测相关的研究有了相当大的突破，如今不仅技术瓶颈松动，应用场景也在疯狂扩张，顶会顶刊成果数目也直线上升。但很显然，对于论文er来说，纯算法创新在这方向已经很难过稿了，未来在能源、交通等垂直领域深挖场景+新技术（比如LLM）适配方面更易突围。
2025-07-10 18:20:05
495
原创 2025必火的发文方向：特征融合+目标检测
分享一个理论有深度（多模态对齐/分布偏移）、场景有痛点（自动驾驶/医疗）、技术有突破空间（动态融合/神经符号结合）的研究方向：特征融合+目标检测。根据近期成果，目前这方向正处在技术突破和应用爆发的双重风口，灌水容易，但想做出深度比较难。建议新手尝试从跨模态鲁棒性切入，加个动态权重分配模块，冲二区问题不大。如果要求比较高，想狙TPAMI这类顶刊，可以试试把脉冲神经网络扩展到多模态融合。
2025-07-08 17:34:31
995
原创 只打高端局的多模态融合，用可解释性再次霸榜CVPR！
有人问可解释的多模态融合到底是不是坑？答曰：卷，但机会犹存。根据CVPR 2025投稿数据，多模态+可解释是三大热门之一，而工业界也同样渴求可解释性...因此这方向可以说需求爆炸，痛点深重，还是很值得卷一卷的。不过对于论文er来说，目前纯刷榜的“可解释后处理”已经越来越难中了，必须把可解释性设计进模型底层。也就是说，发文思路推荐：架构创新 > 垂直应用 > 后处理工具。创新点可着力关系推理、具身解释、边缘部署等。其实说白了，就是找个工业界痛点（如医疗误诊、机器人事故），用可解释性解决它。
2025-07-07 17:15:36
861
原创 2025年Graph+AI Agents最新创新思路
AI Agent，一个当下科技领域特别火爆的概念。发展至今，它规划、记忆、协调等核心功能在处理复杂关系方面遭遇了瓶颈...那么该如何解决？来人，上Graph！Graph以其高效关联分析能力，结合Agent的自主决策优势，完美实现复杂关系的高效推理与动态决策！鉴于如此优势，Graph+AI Agents自然成为了一个高潜力、强创新的研究方向，不仅拥有广泛的应用场景，相对应的学术研究也十分火热。但在多模态扩展、高效协作、深度推理三方面，这方向仍然存在空白，强推各位论文er关注！
2025-07-04 17:28:02
663
原创 多模态医学图像创新突破，成果登上Nature正刊！
医学人工智能领域有个很火的方向：多模态医学图像。最近，哈佛等团队在Nature正刊上发表了相关文章，讲述了多模态生成式AI在医学图像解读中的应用，非常值得该方向的同学研读。实际上，多模态医学图像的论文在顶会/顶刊接受率向来高，尤其近半年，多项工作入选CVPR、AAAI、中科院TOP刊等。这方向虽然竞争日益激烈，但在罕见病诊疗、基层医疗、多组学融合等场景仍然存在大量创新空间，如果想发论文，还是很推荐关注的。
2025-07-03 17:08:14
791
原创 Nature+CVPR双杀！Transformer热度狂飙，何恺明、李飞飞都参与了
要问哪个是当下最流行的模型结构，那必然是Transformer。尤其近几年，因为LLM大行其道，我们对Transformer的探索热情成倍上升。具体体现在各方大佬发布的诸多成果上，比如李飞飞团队的FlowMo、字节seed出品的SAIL、何恺明CVPR2025新作、微软Spectformer...CVPR/ICLR/nature methods等顶会顶刊上相关研究也数目繁多，可谓盛况空前。细看之下，Transformer目前主要有两大创新路径：改进和应用。
2025-06-30 17:40:01
755
原创 PINN又爆创新！算法小改，百倍加速！
学术界大明星PINN又新爆了不少好东西，近期的就有权威期刊JCP2025上的VS-PINN，算法小改一下，就比原生PINN加速近百倍！另外还有个经典作Stiff-pinn，单单今年就被引100次！需知PINN能大大降低实验难度，是“水”论文的一把好手，这波爆发想必又有发挥（搞创新）空间了~细看这俩的创新算是PINN的优化与训练策略类，除此以外，PINN还有自适应、采样与离散化、与其他技术结合等主要创新路径，尤其自适应，物理方程不够，神经网络来凑；
2025-06-27 18:25:06
501
原创 左手Nature，右手CVPR！持续学习(Continual Learning)才是2025发文捷径！
深度学习中，“灾难性遗忘”是个不可避免的问题，而持续学习的出现打破了这一困境，它能让模型在多个任务间顺序学习而不遗忘旧知识，同时具备适应新任务的能力。鉴于如此优势，持续学习的研究一直是AI领域的核心议题，目前也正处于爆发期。结合2025年最新动态（CVPR25的SEMA、nature子刊的CH-HNN），创新主要聚焦突破单一任务的局限，具体点说就是结合联邦学习、元学习等交叉技术，向多模态、动态环境、资源高效、可解释性等方向演进。
2025-06-25 17:17:49
508
原创 这思路逆天了！注意力机制+CLIP霸榜顶会，直接带飞发文之路！
这种结合可以通过动态对齐、上下文感知和并行计算，显著提升多模态任务的性能。在多模态爆火的当下，算是热点赛道。得益于其创新，这方向现处创新爆发期，可参考成果丰富。比如CVPR 2025的DiTCtrl、AAAI 2025的Clip-cid、STDD、IJCV的WeakCLIP...高产盛况可见一斑。如果感兴趣的同学想上车，可以先看我整理的了解前沿，代码基本有。创新的话建议大家侧重“小改动大提升”，优先选择差分注意力扩展、医疗/工业细粒度适配、生成式协同框架等方向切入，快速产出成果。
2025-06-23 17:51:36
451
原创 (CVPR 2025)可变形Mamba再度进化！SOTA性能炸裂，涨点起飞
今年看mamba又中了一堆顶会，尤其CVPR 2025，这发文潜力有目共睹。其中比较值得关注的有个可变形Mamba，大连理工发布的DefMamba，全球首个可变形扫描视觉Mamba框架，实现四大任务性能全面SOTA。可变形Mamba作为SSM的动态扩展，拥有“动态效率平衡”核心优势，它的理论延展性和应用多样性（医疗、生物）为研究提供了多个发力点，创新空间可观。今年推荐各位论文er优先以医疗影像分割与视频时序建模作为突破场景，再结合混合架构、3D扩展搞创新，发高区机会大。
2025-06-18 16:56:15
547
1
原创 2025年深度学习+多目标优化最新创新思路
围观了港科大等团队的最新综述，发现深度学习+多目标优化近年来也是话题多多，尤其在图像生成、自动驾驶、大模型训练等场景中呈现爆发式增长。简单说来，这种技术不仅能解决传统单目标优化的局限性，还能让模型在复杂场景中实现多任务协同提升，成为当前顶会抢发热点也不奇怪。更别说这方向正处于技术红利期，无论是算法创新还是场景开拓都很有空间。比如应用型研究（医疗/通信/环保）+大模型对齐就比较容易出成果，创新切入点推荐小而精（改经典算法）、跨学科（+脑机接口）等。
2025-06-11 18:21:32
957
原创 Nature发表！多尺度强化学习重大成果！
最近《Nature》上有一篇多尺度强化学习的新工作，讲的是大脑中的多时间尺度强化学习，具体细节可看下文解析。这方向是目前复杂系统智能化的核心技术，凭借分层决策与动态适应性在工业界有广泛的应用前景。相信有些论文er已经发现了，这些优势也契合了当下的趋势（AI正不断向复杂场景渗透），可以预见，多尺度RL即将迎来爆发式增长机遇。近期的一些高区成果也表明，这方向已跻身顶会顶刊录用率攀升的热门赛道。为帮助各位快速上车，我整理了9篇多尺度强化学习新成果，有代码的已经附上了。
2025-06-10 18:01:01
443
原创 Mamba+物理信息原理！清华都在做的论文大杀器！
不久前清华祭出了一种长序列建模大杀器——PhyxMamba框架，创新性地将Mamba与物理信息原理相结合，为混沌系统的长期预测提供了新思路！这种创新非常值得论文er关注，一是因为Mamba+物理信息原理属于俩大热门结合，高效性配上可解释性，在众多工业场景中都很有话题度，发展前景可观；二是，这方向交叉性很强，现有研究较少，更容易找到创新切入点。如果感兴趣，建议优先选择与现有Mamba工作结合紧密的领域（如图像处理）进行突破，再逐步扩展到生物医学等复杂场景。
2025-06-09 17:45:42
388
原创 贝叶斯深度学习！华科大《Nat. Commun.》发表BNN重大突破！
华科大提出基于贝叶斯深度学习的超分辨率成像，成功被Nat. Commun.收录。可以说，这是近期最值得关注的成果之一了。另外还有AAAI 2025上的Bella新框架，计算成本降低了99.7%，也非常值得研读。显然鉴于BNN“不确定性建模”与“概率推理”的优势，这类BNN研究随着数据可靠性需求的激增，已经逐渐成为AI领域炙手可热的研究方向，顶会顶刊占坑无数，尤其在医疗诊断、自动驾驶等高风险场景中尤为受欢迎。不过值得注意的是，当前BNN的研究呈现三大创新趋势：跨学科融合、多模态优化、小样本突破。
2025-06-06 18:22:22
1189
原创 入选中科院一区TOP！基于YOLO和卡尔曼滤波的目标检测新SOTA！
分享个目标检测和跟踪领域的黄金组合：YOLO+卡尔曼滤波！近年来自动驾驶、工业自动化等场景需求激增，这类拥有实时性、多目标处理能力和鲁棒性等优势的组合也因此广受青睐，迅速跻身顶会顶刊热门研究方向，高质量成果不少。比如四川大学新提出一种无人机分层搜索方法，在六种不同环境中都性能优越，成功登上中科院1区TOP！还有顶会的Kalman-YOLO方法...大多成果的创新基本围绕动态模型优化、多模态融合、轻量化设计等多维角度，如果有同学想搞，也推荐考虑这些思路。
2025-06-05 19:13:35
389
原创 频域+时间序列，一行代码稳定提升预测精度！
以往传统时域建模一直占据主导，但如今频域研究异军突起，与时间序列结合，能挖掘出更丰富信息，显著提升模型性能与预测精度。因此，频域+时间序列逐渐成为学术焦点，在金融风控、医疗信号分析、工业预测等领域都实现了突破性应用！比如最近ICLR 2025上的FreDF，只需加入一行代码，就能在主流模型上实现预测精度的稳定提升！还有一区TOP上的TFDNet，在多个基准数据集上均超越SOTA！显然这方向已经成为了顶会顶刊常客。
2025-06-04 19:11:52
377
原创 中稿⁺¹ ！多模态学习+注意力机制再登顶会！新成果GPU内存消耗减半
深度学习找不到创新点？。作为多模态学习和注意力机制这俩大热点的结合，交叉注意力融合凭借动态对齐与高效建模的优势，在众多多模态任务（比如图像-文本匹配）中脱颖而出，发展前景相当可观，成功成为。这方向尤其在高效计算、弱监督任务中容易产出创新点，而且根据近年顶会顶刊的收录情况，轻量化、自适应融合、弱监督学习等方向非常值得关注。比如CrossMamba方法，在目标声音提取任务中，参数量减少的同时，既保持了高效计算，又显著提升了性能。
2025-06-03 17:00:54
731
原创 提速400倍！物理信息卷积神经网络登上中科院一区TOP！
今天来聊聊物理信息卷积神经网络PICNN。大家还熟悉PINN吧，当红辣子鸡。PICNN作为PINN的一种变体，引入了卷积层来增强对空间数据的处理能力，在涉及空间特征的场景下会比PINN更高效。因此最近的PICNN在特定垂直领域（比如工程仿真）热度明显上升，各大顶会顶刊都出现了不少相关研究。比如中科院一区TOP上一种基于PICNN的方法、提速400倍的微电网经济调度新方法。为方便各位快速了解这些成果，我从中挑选了9篇最新的值得研读文章分享，可用作参考。
2025-05-30 18:27:27
732
原创 找到了目标检测最好的发论文的idea！简单易上手！
有人说目标检测不好做了？可不见得，作为计算机视觉的核心任务之一，它在2025年仍将是研究热点，也依然会是我们“水”论文的好选择（doge）。不过这方向如今确实卷，而且研究重心正从“精度竞争”转向“实际应用落地”和“解决长尾问题”。比如典型代表YOLO，创新主要围绕引入注意力机制、模型轻量化、与其他新技术结合、损失函数优化、数据增强等等，更注重模型的“实用性”。至于更广泛的目标检测，目前的主流创新思路还是transformer-based、基于多层感知机、扩散模型，还有近期热门的大模型时代的目标检测等。
2025-05-29 19:39:26
1048
原创 多模态融合可能是现在或者未来一段时间最好发论文的方向了！
多模态融合，一个2025年仍然处于爆发期的热门方向，还在持续吸引学术界与工业界的投入。作为顶会顶刊常客，它也依然是当前最好发论文的方向之一。目前，这方向主流的创新思路主要有两大类：改进类创新和结合类创新。改进类创新如可解释多模态融合，核心目标在于实现性能提升。而结合类指的是多模态与其他技术协同，这方面根据结合的具体技术、目标和实现方式，可进一步区分为3个层次（任务、方法、模型）。
2025-05-28 18:18:37
929
原创 无监督强化学习新突破！无需标注，性能飙升159%！
最近，强化学习的一项突破帮助我们向AGI又迈进了一大步！那就是清华&上海AI Lab的Test-Time RL（测试时强化学习），无需标注，模型自学，性能飙升159%！Test-Time RL是一种无监督强化学习方法，相较于传统强化学习，这类方法可以解决依赖人工奖励、数据效率低、探索能力弱等问题，有很强的自主性、高效性和适应性，特别适合在奖励稀疏、环境未知或任务复杂的情况下应用，发展前景广阔。
2025-05-27 17:22:28
434
原创 接Accept！“机器学习+SHAP”发文大有可为，轻松拿下一区SCI！
在需要高可解释性且数据复杂的场景，比如医疗、法律、工业等，机器学习+SHAP是个潜力巨大的研究方向，目前也已经成为了学术热点。这是因为这种结合拥有提供模型可解释性、公平性检测、模型调试和优化、业务场景适配等能力，在增强机器学习模型的透明度和可信度方面遥遥领先，解决了我们对可解释性的迫切需求。这种研究热情也体现在近期的成果上，多个中科院TOP期刊都发表了相关论文，推荐感兴趣的同学关注。这边为了帮各位节省查询的时间，我已经整理好了11篇机器学习+SHAP新论文，需要的自取~
2025-05-26 18:20:03
332
原创 用CNN做时间序列预测，拿下多篇中科院一区TOP！
在处理复杂、高维和非线性的时间序列数据上，会比传统方法更适合，可以给我们提供更强的建模能力、更高的计算效率和更好的扩展性。这些优势同时也带来了巨大的发展空间，目前该方向已经成功应用于金融、能源、医疗、环境监测等多个领域，多项突破性成果登上中科院一区TOP，已然成为当前的热门研究方向。为了方便感兴趣的同学找参考，加快论文进度，我从近期中挑选了，都是值得深入研读的paper，需要的同学可无偿获取。全部论文+开源代码需要的同学看文末。
2025-05-23 17:50:21
679
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人