标签
本文提出PTTSD，一种从临床访谈转录中检测抑郁症严重程度的概率框架，该框架对不确定性进行建模并提供时间可解释性，在基准数据集上取得了具有竞争力的性能。
本文提出了INTENT，一个LSTM框架，用于在交叉口提前2秒预测车辆意图（直行、左转、右转），在InD数据集上达到了99.71%的准确率。
本文评估了帧采样率对使用LSTM和GRU模型进行基于序列的自闭症相关自我刺激手部行为分类的影响，在15帧间隔下实现了高达98.75%的准确率，并分析了针对小规模行为视频数据集的数据增强策略。
提出了一种面向算法交易的不确定性感知强化学习框架，通过SHAP加权重构、MC Dropout和LSTM共识机制，整合了分布性、认知性和偶然性不确定性。在五大美国股票指数上，其表现优于传统模型。
本文提出了一种数据驱动的代理建模框架，采用混合图神经网络-长短期记忆网络架构预测增材制造短纤维热塑性复合材料的静态响应，实现了高精度（R²≈0.98），且计算速度相比有限元模拟提升了两个数量级。
本研究探讨了利用皮肤电活动、心率和皮肤温度等生理数据，通过机器学习模型预测考试结果，发现深度学习方法与随机森林等简单模型均能有效发挥作用。
本白皮书提出使用LSTM神经网络检测由气候驱动的灾难引起的财产保险损失准备金中的结构性变化，旨在将准确性比Chain Ladder等传统方法提高15-20%。
GlucoFM-Bench 评估了用于血糖预测的时间序列基础模型，在15个数据集上展示了Chronos-2和TimesFM在零样本/少样本迁移方面的强劲表现，但指出当完整训练数据可用时，轻量级LSTM的性能更优。
研究人员提出了一种用于图生成的轻量级自回归框架，该框架使用结构引导的拓扑排序实现了接近对数线性的复杂度，解决了现有扩散和自回归方法在可扩展性和新颖性方面的局限性。该方法同时支持LSTM和Mamba风格的主干网络，在分子和非分子基准测试中展示了改进的新颖性，同时保持了有效性和独特性。
研究人员提出了一种物理信息机器学习（PIML）框架，将水文约束整合到LSTM损失函数中，以改善短期洪水预报，特别是在数据稀缺的情况下。一种“趋势对齐”约束确保了降水与流量趋势之间的一致性，提高了纳什-苏特克利夫效率，并消除了极端事件期间的非物理预测。
本文利用NOAA国家水模型模拟，评估了仅编码器Transformer和LSTM模型在无资料流域中的径流预测能力。结果显示，LSTM的表现优于Transformer，并且加入下游信息显著提升了两种架构的预测技能。
本文使用基于BERT的大型语言模型对Decentraland的Discord社区进行情感分析，以提升MANA代币价格预测，并证明融合情感、交易量和市值信息的多模态LSTM模型优于仅使用价格信息的基线模型。
OpenAI 提出了师生课程学习（TSCL）框架，其中一个教师算法自动为学生选择子任务以学习复杂任务，基于学习曲线斜率进行优化并防止遗忘。该方法在十进制加法和 Minecraft 导航任务上与手工设计的课程相当或更优，使得之前无法通过直接训练实现的解决方案成为可能。
OpenAI 展示了一个无监督系统，通过训练乘法 LSTM 来预测亚马逊评论中的下一个字符，学习情感表示。该系统在斯坦福情感树库(Stanford Sentiment Treebank)上实现了最先进的情感分析效果(91.8% 准确率)，同时所需的标注样本比监督学习方法少 30-100 倍。模型发现了一个独特的'情感神经元'，能够捕捉情感信息，可以直接操纵来控制文本生成的情感。