做城市时空预测的可以看看这篇。它不从节点 ID 学嵌入,而是用局部图拓扑直接生成节点参数,新城市不用微调就能跑,20+ 数据集验证过零样本效果,代码也开源了。
#zero-shot generalization
论文提出 Tessera,把细胞空间关系建模成保留方向的相对关系,表征质量和零样本泛化都超过现有空间基础模型,做空间组学的可以看看。
做时空预测的看这篇:VaryST 换个域、缺观测也能出预报,对比 17 个基线的零样本泛化明显更强。
强化学习在换背景、变光照时就崩的问题,这篇用潜空间一致性给出解法,Robosuite 上比第二名的基线高了 43.6%。
LLMODE handles irregular spatio-temporal data more effectively than standard approaches, making it valuable for urban planning and environmental monitoring applications in ASEAN regions with irregular data collection.
如果你的时间序列模型总是泛化不好,试试用RMISC这个真实世界大数据集预训练,1420亿个时间点,效果比合成数据强很多。
LUNA 不用传统的 LBS 蒙皮,直接用图片或关键点驱动3D角色,效果真实还能自动适配新角色,动画师和研究者可以试试。
这个框架把时序推理和高分辨率感知结合起来,在DRAMA-Reasoning上碾压了现有方法,还能零样本泛化到NuScenes和BDD100K,代码也开源了,做自动驾驶可解释性研究的值得一看。
这篇论文把知识图谱模型泛化的底层逻辑讲清楚了——原来只要看到半个链接就能猜出整条,还分出了四种情况。搞图神经网络或KG推理的人别错过。
时间序列预测从业者终于有了一个能主动理解任务意图的LLM方案——InA-Probe在跨域场景误差降低37%,做金融、能源等时序预测的团队值得关注。
做机器人全身控制和运动追踪的团队终于有了一个能零样本泛化的基础模型——Humanoid-GPT 用 20 亿帧数据训练,直接解决了以往模型在动态场景下泛化差的问题,做仿人机器人或动画生成的开发者值得关注。
这项研究证明了多智能体强化学习在物理世界交互中的安全优势,做无人机、自动驾驶或机器人协作的团队值得关注——它用竞速场景给出了一个可复现的范式。
宇宙学研究者终于有了一个能处理观测数据破缺对称性的AI工具——Velocityformer在速度重建上比线性理论提升35%,且数据效率极高,做kSZ效应测量的团队可以直接用。