本周阅读了题为Multi-hop Attention Graph Neural Network的论文。该文提出MAGNA，整合多跳上下文信息到GNN每层注意计算中，增强网络注意力分布，扩大每层“接受场”。MAGNA采用注意力扩散先验，有效解释非连接节点间路径。理论和实验证明，MAGNA捕获大规模结构信息，具低通效应，去噪高频信息。在节点分类和知识图谱基准上，MAGNA达最先进结果，相对误差降5.7

本周阅读了题为A Joint Time-Frequency Domain Transformer for multivariate time series forecasting的论文。该文提出了一种联合时频域变换器（JTFT）。JTFT 使用少量可学习频率来利用频域 (FD) 中时间序列数据的稀疏性。此外，JTFT 还包含固定数量的最新数据点，以增强对时域局部关系的学习。这些设计降低了理论复杂性

本文主要讨论了GAN的理论知识。本文介绍了在GAN模型的训练过程。本文分别阐述了生成器与分辨器的训练细节，并详细描述了整体算法进行。其次本文展示了题为DeGAN : Data-Enriching GAN for Retrieving Representative Samples from a Trained Classifier的论文主要内容。这篇论文提出了DeGAN，该模型可以使用相关领域的数据

本周阅读了题为PM2.5 forecasting under distribution shift: A graph learning approach的论文。这项工作提出了一个新的PM2.5预测数据集，其特征是随时间的分布变化。使用这个新的基准，在两种数据分割设置(按时间分割和随机分割)下评估了一组基于图和非基于图的机器学习模型。第一种设置提出了分布移位的挑战，而第二种设置旨在消除分布移位的影响

本周阅读了题为GL-GNN: Graph learning via the network of graphs的论文。本文提出了GL-GNN模型，它能够从零开始构建图结构或优化现有图结构，从而拓展了GNN（图神经网络）的应用范围，使其能够应对图数据不可用或含有噪声边缘的情况。GL-GNN通过集成多个子模块，从多个维度对图进行学习，其中特别引入了选择向量来捕捉关键特征。为了验证GL-GNN的有效性，

本文主要讨论基于Transformer的空气质量预测。首先本文简要介绍了多头注意力机制（MSA）、 具有潜变量的变分模型。其次本文展示了题为AirFormer: Predicting Nationwide Air Quality in China with Transformers的论文主要内容。该文提出了一种名为 AirFormer 的新型 Transformer 架构，用于集体预测中国全国范围

本周阅读了题为A Joint Time-Frequency Domain Transformer for multivariate time series forecasting的论文。该文提出了一种联合时频域变换器（JTFT）。JTFT 使用少量可学习频率来利用频域 (FD) 中时间序列数据的稀疏性。此外，JTFT 还包含固定数量的最新数据点，以增强对时域局部关系的学习。这些设计降低了理论复杂性

本周阅读了题为Interaction-Aware Graph Neural Networks for Fault Diagnosis of Complex Industrial Processes的论文。该文提出了一种考虑传感器网络中多重交互的 IAGNN 模型，并将复杂工业的故障诊断问题转化为图分类任务。IAGNN 通过注意力机制学习不同表示空间中节点之间的复杂交互，并引入独立的 GNN 块来提

本文主要讨论SA ConvLSTM的模型。本文简要介绍了LSTM的结构以及运行逻辑，并展示了ConvLSTM。其次本文展示了题为Self-Attention ConvLSTM for Spatiotemporal Prediction的论文主要内容。这篇论文提出了Self-attention ConvLSTM模型，该模型将自注意力机制引入到 ConvLSTM 中。具体来说，提出了一种新颖的自注意力

本文主要讨论ARIMA模型和Clustering模型。本文简要介绍了龙格库塔方法。其次本文展示了题为Application of Time Serial Model in Water Quality Predicting的论文主要内容。该文提出一种结合自回归积分移动平均(ARIMA)和聚类模型的水质预测方法。以某流域水质监测数据为样本，选取水质总磷（TP）指数作为预测对象。实验表明，与ARIMA水