标签
TRACE是一个多模态框架，将每日临床事件（电子健康记录、胸部X光片、放射学报告、出院小结）组织为时序轨迹，用于住院患者风险预测，在MIMIC-IV、eICU和MIMIC-III队列的九个数据集-任务组合中均取得了最高的AUROC。
这篇论文将音乐愉悦度预测构建为回归问题，利用MUSIN-G数据集的128通道EEG数据，比较了六种深度学习模型（DeepConvNet、CNN-LSTM、GNN-CNN、TCN等），并通过可解释性分析识别影响预测的关键时间片段。
本文认为，只要合理设计交互界面，就能调用大语言模型在预训练中获得的世界知识来预测时序事件。文章提出了 DescribeEvent（约 15 万个事件，涵盖 7 个数据集），并表明，将自然语言事件描述与符号标签相结合，能够使能力较强的大语言模型超越专门设计的基线模型。
本文提出了 CALIBRA，这是一个校准优先的多模态时序框架，用于跨队列的哮喘风险预测。该框架采用循环编码器、梯度反转域自适应、分层逻辑校准以及保形预测，以在分布偏移和模态缺失的情况下保持预测可靠性，并在一个半合成的三队列基准上得到了验证。
NeoTriFuse是一个可靠性感知的多模态融合框架，用于新生儿死亡率风险预测。它显式地将缺失数据建模为可靠性信号，以动态调整特征贡献，从而在不完整的临床监测数据上提升性能。
ClockRoPE引入随机傅里叶旋转来建模序列推荐中的时间周期性，具有理论基础，并通过一家主要视频分享平台的在线A/B测试得到验证。
本文介绍了一个基于LLM的流水线，用于从按时间顺序排列的社交媒体帖子中分析心理健康变化，参与CLPsych 2026共享任务。它可以进行帖子级别评估和用户级别时间建模，以捕捉心理健康的转变。
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。