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

下一个兴趣点 (POI) 推荐任务是根据用户的历史数据来预测用户的下一次 POI 访问。基于位置的社交网络（LBSN）数据通常用于下一个 POI 推荐任务，但也面临着挑战。一项经常被忽视的挑战是如何有效地利用 LBSN 数据中存在的丰富上下文信息。以前的方法受到数值性质的限制，无法解决这一挑战。本文提出了一个使用预训练大语言模型（LLM）来应对这一挑战的框架。该框架允许我们以原始格式保存异构 LB

交通流量预测为智能交通系统提供了重要的未来视角。可解释的预测为影响交通模式的因素提供了宝贵的见解，有助于城市规划者、交通工程师和政策制定者就基础设施发展、交通管理策略和公共交通规划做出明智的决策。尽管基于深度学习的预测方法广泛流行且准确性值得称赞，但其透明度和可解释性常常令人失望。最近，大规模时空数据的可用性和大型语言模型（LLM）的发展为城市交通预测开辟了新的机遇。随着LLM的流行，人们见证了基

近期，大型语言模型（LLMs）在时间序列分析中显示出卓越能力。不同于现有模型，LLMs主要通过参数扩展和广泛的预训练在保持其基本结构的同时取得进步。本文提出了一种用于交通预测的空间-时间大型语言模型（ST-LLM）。具体来说，ST-LLM将每个地点的时间步骤重新定义为标记，并融入空间-时间嵌入模块来学习标记的空间位置和全局时间表征。然后，这些表征被融合，为每个标记提供统一的空间和时间信息。此外，我

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，

ICLR 2025将在2025年4月24日到28日于新加坡举行。ICLR 2025共有11,565篇投稿，录取率32.08%。本文总结了2025 ICLR上有关时空数据(Spatial-Temporal)相关论文。如有疏漏，欢迎大家补充。：时空预测（交通，气象），时空动力学等。（ICLR更多的是交通数据以外的物理驱动的深度学习以及AI4Science的时空数据，笔者能力有限，囊括了更为广义的时空数

KDD 2026将聚焦LLM与图学习的交叉研究，涵盖推荐系统、知识图谱、网络安全等主题。研究赛道包括：基于LLM的知识图谱推荐系统（论文1）、多模态威胁检测（论文2）、长尾文本图数据增强（论文3）、知识图谱问答（论文4）、元认知增强的RAG（论文5）以及扩散模型驱动的知识图谱推荐（论文6）。数据赛道推出LitBench工具（论文7），支持以图为中心的LLM文献任务评测。这些工作展示了LLM与图结构

2026年WWW会议将聚焦LLM与图技术的交叉研究，收录24篇相关论文，主要分为两大类： LLM4Graph：利用LLM处理图任务，涵盖文本属性图（TAG）、知识图谱（KG）和图基础模型（GFM），包括异常检测、分子图编辑、对抗攻击等方向； Graph4LLM：通过图结构增强LLM能力，涉及知识图谱增强生成、多智能体协作框架等。 亮点工作如RAG-GFM解决图模型内存瓶颈，MixRAG实现混合专家

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