本文提出了一种受认知神经科学启发的分层元认知监控智能体架构DS-MCM，用于解决大型语言模型在深度搜索任务中缺乏自我监控能力的问题。该框架通过快速一致性监控器和慢速经验驱动监控器的协同工作，实现了对推理-检索过程的动态调节。快速监控器轻量级检测内部推理与外部证据的一致性，慢速监控器则基于历史经验进行选择性干预。实验表明，DS-MCM在多步推理任务中显著提升了准确性和鲁棒性。该研究为增强AI智能体的

NeurIPS 2025总结了51篇时空数据相关论文，涵盖时空预测、轨迹挖掘、自动驾驶、天气预测等多个领域。收录论文包括基于大语言模型的轨迹建模（如TrajAgent、UniTraj）、交通信号控制（VLMLight）、多智能体强化学习（Role-aware Multi-agent RL）以及全球气候预测（FuXi-Ocean、Carbon-Bench）等创新研究。这些工作探索了时空数据的基础模型

普遍存在的缺失值导致多元时间序列数据只有被部分观测，破坏了时间序列的完整性，阻碍了有效的时间序列数据分析。最近，深度学习插补方法在提高损坏的时间序列数据的质量方面取得了显着的成功，从而提高了下游任务的性能。在本文中，对最近提出的深度学习插补方法进行了全面的调查。首先，提出了所有调研的方法的分类，然后通过强调这些方法的优点和局限性来对这些方法进行结构化介绍。同时还进行了实证实验来研究不同的方法并比较

随着城市的不断发展，城市计算通过利用不同来源（例如地理、交通、社交媒体和环境数据）和模态（例如时空数据，视觉和文本模态）的跨域数据融合的力量，成为可持续发展的关键学科。最近，看到利用各种深度学习方法促进智慧城市跨域数据融合的上升趋势。为此，提出了第一篇综述——系统地回顾了为城市计算量身定制的基于深度学习的数据融合方法的最新进展。具体来说，首先深入研究数据视角，以理解每种模式和数据源的作用。其次，将

时间序列数据存在于现实世界系统和服务的每一个角落，从天空中的卫星到人体上的可穿戴设备。通过提取和推断这些时间序列中的有价值信息来学习表示，对于理解特定现象的复杂动态并做出明智的决策至关重要。有了学习到的表示，我们可以更有效地进行许多下游分析。在几种方法中，深度学习在从时间序列数据中提取隐藏模式和特征方面展现了卓越的性能，而无需手动特征工程。本文首先基于三个设计最先进的通用时间序列表示学习方法的基本

ICLR（International Conference on Learning Representations）在5月7日-11日在奥地利维也纳举行。今年，ICLR共收到7262篇投稿，总体录用率在31%。本文总结了ICLR 24有关时空数据的相关论文，如有疏漏，欢迎大家补充。其中包含时空预测，气象预测，因果推断，时空图神经网络，地理大模型等的应用。供大家学习，欢迎大家补充。

深度学习对时间序列分析的进步做出了巨大贡献。尽管如此，深度模型在现实世界的小样本场景中仍可能遇到性能瓶颈，而这种瓶颈可能由于当前基准测试中小模型的性能饱和而被掩盖。同时，大型模型通过大规模预训练在这些场景中展现了强大的威力。随着大型语言模型的持续发展，大模型在少样本泛化（few-shot generalization）、可扩展性（scalability）和任务通用性（generality）方面展现

CVPR 2026将聚焦LLM与图学习的交叉研究，涵盖多模态大模型、视觉问答等热点方向。多篇论文探讨了图结构在VLM中的应用，如随机图适配器优化微调（Beyond Graph Model）、图拓扑表示提升问答能力（DynamicGTR）、异构图监督的小样本学习（TOGA）等。此外，GraphVLM和DiGraphHal-Bench等研究构建了多模态图学习的评测基准，Mario则提出多模态图推理框架

CVPR 2026将聚焦LLM与图学习的交叉研究，涵盖多模态大模型、视觉问答等热点方向。多篇论文探讨了图结构在VLM中的应用，如随机图适配器优化微调（Beyond Graph Model）、图拓扑表示提升问答能力（DynamicGTR）、异构图监督的小样本学习（TOGA）等。此外，GraphVLM和DiGraphHal-Bench等研究构建了多模态图学习的评测基准，Mario则提出多模态图推理框架

CVPR 2026时空时序研究聚焦天气预报与交通模拟两大方向。在交通模拟领域，RLFTSim提出基于强化学习的多智能体交通模拟方法，TrafficAlign探索大语言模型在交通场景生成中的应用。天气预报方面，Spatiotemporal Pyramid Flow Matching和STCast分别提出气候模拟与自适应边界对齐的新方法，MeteorPred则构建了多模态大模型用于极端天气预测。此外，