论文题目：A Systematic Review of Educational Recommender Systems:作者：John Telesphory Mhagama, Kanwal Garg（Kurukshetra University）发布时间：2025（International Journal of Technology in Education Science,关键词：教育推荐系统

《STH-SepNet：轻量化大模型与自适应超图结合的时空预测新方法》摘要 本文提出了一种创新的时空预测框架STH-SepNet，通过解耦时空建模显著提升了预测性能。该方法采用双通道设计：(1)使用轻量化BERT等语言模型处理时间序列，通过patchembedding和promptadaptation技术将数值序列转化为LLM可处理的格式；(2)构建自适应超图网络动态捕捉多节点间的空间依赖关系。二

通过这种方法，在PASCAL VOC 2012和MS COCO 2014两个标准数据集上的实验不仅验证了CPAL的有效性，还展示了它在提升模型性能方面的显著优势，推动了该领域的进步至新的高度。随着深度学习的快速发展，模型可用训练数据规模呈指数级上升，大规模语言模型和多模态模型的通用理解能力得到了巨大的提高，出现了一批能解决多种任务的统一模型。在推理阶段，通过将先前帧中预测的物体掩码作为它们的视觉提

TIME-LLM 提出了一种无需微调大语言模型主体、即可用于时间序列预测的全新框架。通过将时间序列片段重编程为一组可被 LLM 理解的“文本原型”，并结合包含数据背景、任务指令与统计特征的 Prompt-as-Prefix 提示结构，模型成功激活了 LLM 的跨模态推理能力。实验表明，TIME-LLM 在长期、短期、少样本与零样本预测任务中均显著超越现有专用时间序列模型，在效率上又极其轻量，为构建

摘要： 论文《LatentHSI: Restore hyperspectral images in a latent space》提出了一种基于潜在扩散模型的无监督高光谱图像（HSI）恢复方法。针对HSI高维特性导致的建模困难，该方法通过低秩分解将图像降维，并利用变分自编码器（VAE）构建连续平滑的潜在空间，在此空间中训练扩散模型以学习数据先验。恢复过程中，结合退化观测约束和梯度引导优化，最终通过

本文介绍的 KnowLP 是一个面向个性化学习路径推荐的双知识结构框架。EDU-GraphRAG 自动构建知识结构图。通过 TextGrad 生成高质量知识点解释，再用 GraphRAG 构建先修关系和相似关系，降低了对人工知识图谱的依赖。引入相似关系缓解学习阻塞。传统方法主要依赖先修图，而 KnowLP 将相似知识点作为 blocked learning 场景下的 fallback 关系，帮助学

本文介绍的 KnowLP 是一个面向个性化学习路径推荐的双知识结构框架。EDU-GraphRAG 自动构建知识结构图。通过 TextGrad 生成高质量知识点解释，再用 GraphRAG 构建先修关系和相似关系，降低了对人工知识图谱的依赖。引入相似关系缓解学习阻塞。传统方法主要依赖先修图，而 KnowLP 将相似知识点作为 blocked learning 场景下的 fallback 关系，帮助学

TIME-LLM 提出了一种无需微调大语言模型主体、即可用于时间序列预测的全新框架。通过将时间序列片段重编程为一组可被 LLM 理解的“文本原型”，并结合包含数据背景、任务指令与统计特征的 Prompt-as-Prefix 提示结构，模型成功激活了 LLM 的跨模态推理能力。实验表明，TIME-LLM 在长期、短期、少样本与零样本预测任务中均显著超越现有专用时间序列模型，在效率上又极其轻量，为构建

视觉自回归建模（VAR）提出创新的"下一尺度预测"范式，将图像生成重新定义为从粗到细的多尺度过程。该方法突破了传统自回归模型在视觉领域的性能瓶颈，在ImageNet 256×256基准上实现FID 1.73，推理速度提升20倍，首次超越扩散模型。VAR展现出类似大语言模型的幂律缩放特性和零样本泛化能力，支持图像修复、外扩等任务。这一成果为构建统一的多模态基础模型提供了新思路，未来可扩展至文本到图像

本文聚焦时空预测领域痛点，介绍了中科大团队提出的 MAGE 模型。传统时空图模型存在图拓扑噪声大、计算复杂度高（O (N²)）、难以适配大规模场景的问题。MAGE 以 “少而精” 为理念，核心创新包括移除 ReLU 激活净化图拓扑、采用线性自适应图将复杂度降至 O (N)，并设计稀疏平衡多专家结构突破线性低秩瓶颈。实验覆盖交通、能源、气象等 17 个真实数据集，MAGE 在 94% 指标上达最优，