标签
本文提出了World Value Model (WVM)，一种通用机器人价值模型，它将世界模型与价值估计相结合，以准确评估任务进展，并从混合质量数据中改进机器人策略学习，在标准基准和新的次优数据基准上取得了最先进的结果。
本文评估了深度学习模型（LSTM、TCN、Transformer）在WESAD数据集上基于生理信号的多模态情感识别表现，结果表明集成方法达到了98.91%的准确率。
提出随机注意力（Random Attention, RA）模块，这是一种用于移动睡眠分期的轻量级时序建模模块，采用固定随机投影进行基于相似度的聚合，以极少的额外参数实现具有竞争力的性能。
本文提出了一种适用于非契约服务环境的滚动窗口客户流失预测框架，利用30天的行为窗口实现持续风险评估。基于真实数据的评估显示，基于特征的模型达到了87.6%的准确率和0.94的ROC-AUC，而基于序列的模型召回率高达96.1%。
TBD-VLA 提出了一种离散的视觉-语言-动作框架，结合了块扩散与自回归生成，以实现高效的时序动作建模和更快的推理速度，在仿真和真实世界的操作任务中显著优于之前的 VLA 方法。
EvoMD-LLM 将反应性分子动力学轨迹重构为符号时间序列，使 LLM 能够通过微调和时间支架对物种随时间的演化进行建模，最高可达 66.14% 的准确率并提供可解释的预测。
本文介绍了DreamerNLplus，这是一个混合框架，结合了LLM、DeBERTa、随机森林、规则方法和RAG，用于从社交媒体时间线对心理健康动态进行建模，以应对CLPsych 2026共享任务，在时间摘要和变化检测的子任务中取得了最高排名。
EEG-tGAT是一种时间增强的图注意力网络，通过融合时间注意力和dropout机制来改进交互序列的可供性分类。该模型在GATv2基础上进行了增强，适用于时间维度语义不均匀的序列数据。