自监督学习（SSL）最近在各种时间序列任务上取得了令人印象深刻的表现。SSL最突出的优点是减少了对标记数据的依赖。基于预训练和微调策略，即使少量的标记数据也能实现高性能。与许多已发表的关于计算机视觉和自然语言处理的自监督综述相比，仍然缺少针对时间序列 SSL 的全面综述。为了填补这一空白，我们在本文中回顾了当前最先进的时间序列数据 SSL 方法。为此，本文首先全面回顾与 SSL 和时间序列相关的现

时空预测技术对于交通、能源和天气等各个领域都具有重要意义。由于复杂的时空异质性，时空序列的准确预测仍然具有挑战性。特别是，当前的端到端模型受到输入长度的限制，因此经常陷入时空幻觉），即相似的输入时间序列后面跟着不同的未来值，反之亦然。为了解决这些问题，本文提出了一种新颖的自监督预训练框架时空解耦掩码预训练（STD-MAE），它采用两个解耦屏蔽自动编码器沿空间和时间维度重建时空序列。通过这种重建学习

协变量提供了影响时间序列的外部因素的宝贵信息，在许多现实世界的时间序列预测任务中至关重要。例如，在零售业中，协变量可能表示促销或高峰日期（如假期季节），这些日期对需求预测有重大影响。在对时间序列预测进行大型语言模型架构进行预训练方面的最新进展已产生了高度准确的预测器。然而，这些模型中的大多数并不容易使用协变量，因为它们通常特定于某个任务或领域。本文介绍了一种将协变量纳入预训练时间序列预测模型的新方

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

本文总结了2026年ICML会议上关于图神经网络与大语言模型（LLM）结合的相关研究，聚焦图基础模型、多模态属性图、知识图谱问答等方向。收录了33篇论文，涵盖图对齐、提示学习、结构学习等关键技术，展示了图神经网络在不同数据模态和实际任务中的应用进展。部分工作提出了创新性方法，如双向对齐的潜在图扩散模型、多模态图基础模型的分治策略等，为图学习领域提供了新的理论框架和实用工具。

ICML 2026将在2026年7月6日—11日于韩国首尔（Seoul, South Korea）举行。本文总结了2026 ICML上有关LLM × Graph相关论文。如有疏漏，欢迎大家补充。注：笔者将分为上下2篇推文来总结，本文主要涉及针对图任务本身的的论文。本文Graph的Topic：Graph4LLM，Graph4Agent，智能体记忆（Memory），AgenticRL，RAG等。

SIGIR 2026时空数据研究摘要 SIGIR 2026会议将收录15篇时空数据相关论文，涵盖图增强LLM、知识图谱、多模态推荐等前沿方向。研究亮点包括：1）基于LightGCN和LLM的文本表征学习；2）DCGL双通道图学习框架在推荐系统的应用；3）时序知识图谱问答的SSR方法；4）多模态推荐系统MLLMRec的图优化范式；5）mKG-RAG多模态知识图谱增强的视觉问答技术。其中5篇聚焦Gra

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，

本文总结了2026年ICML会议上关于图神经网络与大语言模型（LLM）结合的相关研究，聚焦图基础模型、多模态属性图、知识图谱问答等方向。收录了33篇论文，涵盖图对齐、提示学习、结构学习等关键技术，展示了图神经网络在不同数据模态和实际任务中的应用进展。部分工作提出了创新性方法，如双向对齐的潜在图扩散模型、多模态图基础模型的分治策略等，为图学习领域提供了新的理论框架和实用工具。

本文总结了KDD 2026会议上关于时空数据（Spatial-Temporal）的研究进展，涵盖了交通预测、轨迹数据挖掘、天气预报以及大模型和多模态Agent在时空数据中的应用等方向。研究内容包括事件驱动的交通预测、基于扩散模型的轨迹生成、物理驱动的行人轨迹预测、反事实学习的信号灯控制、多视图城市区域嵌入等。论文涉及多个技术领域，如扩散模型、图卷积网络、大语言模型等，展示了时空数据挖掘的最新成果和