《时空基础模型综述：从数据到模型的全流程解析》提出了系统性研究框架，首次从流程视角梳理时空基础模型（STFMs）技术体系。研究团队创新性地构建了"数据来源-依赖关系-模态"三维分类法，详细解析了从数据预处理（如轨迹地图匹配、时空Patching）到模型架构（原生/迁移模型）再到训练适配（自监督学习、跨域对齐）的全流程关键技术。论文指出当前STFMs在跨域统一、多模态融合等方面存

论文题目：GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds作者：Zihui Zhang, Bo Yang, Bing Wang, Bo Li。

摘要： CVPR 2024论文《HIR-Diff》提出了一种无监督高光谱图像（HSI）恢复方法，通过改进扩散模型解决高维数据恢复难题。该方法利用HSI的低秩特性，将其分解为降维图像A（由预训练扩散模型恢复）和光谱系数矩阵E（通过SVD与RRQR估计），显著降低了计算复杂度。引入指数噪声调度优化推理效率，仅需少量采样步数即可保持高质量重建。实验表明，HIR-Diff在去噪、超分辨率和缺失像素修复任务

意图识别（Intent Recognition）旨在从用户的自然交互数据（文本、语音、视觉、脑电等）中推断其潜在目标。随着人工智能和深度学习的快速发展，意图识别在 人机交互、对话系统、智能家居、医疗健康、智能驾驶 等领域发挥着越来越重要的作用。最早的研究主要集中在 单模态（unimodal）意图识别，如基于文本的意图分类。但单一模态容易受噪声、语义歧义或信息缺失影响，难以满足复杂场景需求。因此，近

Advancing Broad Learning Through Structured Feature Generation》在2025年提出了一个简单而有效的想法：用结构化基函数替代随机特征生成，这一改变带来了显著的性能提升。核心启示性能与效率可兼得：SBLS在提升性能的同时保持了BLS的高效特性结构化带来可解释性：设计的基函数使得学习过程更加透明实用导向的设计：从实际应用需求出发，解决了数据稀

这篇 AAAI 2025 的工作为我们展示了极简文本：证明了不需要复杂的 LLM，简单的 Prompt 就能激活语义。几何先验：证明了 6 视图投影 + 分块机制 是解决 2D-3D 空间对齐的高效手段对开发者的启示拥抱多模态：纯几何的深度学习已接近天花板，引入 Image/Text/Video 等跨模态信息是突破瓶颈的关键。关注对齐技术：如何将 2D 基础模型的强大能力无损地迁移到 3D 任务（

《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

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.

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

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