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，

《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

近年来，深度学习领域关于图神经网络（Graph Neural Networks，GNN）的研究热情日益高涨，图神经网络已经成为各大深度学习顶会的研究热点。GNN处理非结构化数据时的出色能力使其在网络数据分析、推荐系统、物理建模、自然语言处理和图上的组合优化问题方面都取得了新的突破。图神经网络有很多比较好的综述[1][2][3]可以参考，更多的论文可以参考清华大学整理的GNN paper list[

本文转载自：机器之心作者：杨天培、汤宏垚、白辰甲、刘金毅等强化学习是在与环境交互过程中不断学习的，⽽交互中获得的数据质量很⼤程度上决定了智能体能够学习到的策略的⽔平。因此，如何引导智能体探索成为强化学习领域研究的核⼼问题之⼀。本⽂介绍天津⼤学深度强化学习实验室近期推出的深度强化学习领域第⼀篇系统性的综述⽂章，该综述⾸次全⾯梳理了DRL和MARL的探索⽅法，深⼊分析了各类探索算法的挑战，讨论了各类挑

本文转自知乎：沉迷学习的糕糕，原文链接：卷积神经网络CNN完全指南终极版（一） - 知乎 (zhihu.com)【1】导论先来说一写题外话...研究生入学后就被导师逼着学习神经网络，一开始非常盲目，先是在网上搜了一大堆的资料，各种什么“一文读懂卷积神经纹网络”，“叫你三分钟搭建属于自己的神经网络框架”，“五分钟速读神经网络全解”，之类的文章层出不穷。看了太多导致的结果是，学了很久都没能真正意义上地

前言转自：「阿泽的学习笔记」。断断续续写了一个多星期，期间找了很多同学讨论学习，感谢指导过点拨过我的同学们，为了精益求精本着不糊弄别人也不糊弄自己的原则在本文中探讨了很多细节。当然，还有很多细节没提到，包括总变差（Total Variation）、空域和频域视角下的图信号等，有兴趣的同学可以深入了解下图信号处理，本人才疏学浅还希望抛砖引玉引出更多的 GCN 的文章。 ...

深度学习领域最常用的10个激活函数，一文详解数学原理及优缺点转自：数据派THU激活函数是神经网络模型重要的组成部分，本文作者Sukanya Bag从激活函数的数学原理出发，详解了十种激活函数的优缺点。激活函数（Activation Function）是一种添加到人工神经网络中的函数，旨在帮助网络学习数据中的复杂模式。类似于人类大脑中基于神经元的模型，激活函数最终决定了要发射给下一个神经元的内容。在

原文链接：图神经网络简介及其在交通流预测中的应用1.火爆的图神经网络究竟什么来路？最近几年，作为一项新兴的图数据学习技术，图神经网络（GNN）受到了广泛的关注。2018年年末，发生了两件特殊的事情。图数据学习领域同时发表了三篇综述论文，这种现象体现了学术界对该项技术的高度认可；更有众多工业界与学术界的大佬联名上书，支持GNN。由DeepMind、谷歌大脑、MIT 和爱丁堡大学等公司和机构的 27

高度的计算复杂度和存储成本使得深度学习难以在资源受限的设备上使用，并且不环保，功耗高。本文专注于高效深度学习技术的低秩张量优化方法。在空间域，深度神经网络通过对网络参数进行( low rank approximation )进行压缩，以更少的网络参数直接降低了存储需求。在时域中，网络参数可以在几个中进行训练，从而实现快速收敛的高效训练。

强化学习基本概念强化学习四要素：状态(state)、动作(action)、策略（policy）、奖励(reward)。名词解释智能体学习器与决策者的角色。环境智能体之外一切组成的、与之交互的事物。动作智能体的行为表征。状态智能体从环境获取的信息。奖励环境对于动作的反馈。策略智能体根据状态进行下一步动作的函数。状态转移概率智能体做出动作后进入下一状态的概率。RL考虑的是智能体（Agen.