long short-term memory
PulseAugur coverage of long short-term memory — every cluster mentioning long short-term memory across labs, papers, and developer communities, ranked by signal.
- instance of gated recurrent unit 70%
- instance of multilayer perceptron 70%
- used by multilayer perceptron 70%
- used by Shap 70%
- used by graph neural networks 70%
- other gated recurrent unit 70%
- used by Robert Ślepaczuk 70%
- competes with Kolmogorov--Arnold Networks 70%
- developed by xLSTM: Extended Long Short-Term Memory 70%
- used by xLSTM: Extended Long Short-Term Memory 70%
- used by gate 70%
- uses graph attention network 70%
- 2026-05-14 research_milestone A hybrid LSTM model achieved the lowest final displacement error in dynamic movement forecasting. 来源
16 天有情绪数据
-
时间序列预测悖论揭示：更细粒度的数据会降低准确性
一篇新论文提出了时间序列预测中的“粒度悖论”，强调时间分解的增加会改善样本内拟合，但由于误差累积而降低样本外准确性。该研究形式化了这种权衡，并使用13年的公共采购数据集，在六种粒度上对十种模型进行了基准测试。研究结果表明，虽然像Holt-Winters这样的模型在每日频率下表现不佳，LSTMs显示出U形误差曲线，而线性回归保持稳定，这表明该悖论与递归反馈拓扑有关，而不是模型复杂度。
-
新AI模型利用强化学习和掩码语言模型生成更优的广告标题
研究人员开发了一种新的广告标题生成方法，该方法结合了自批判掩码语言模型和强化学习。这种方法以多种产品为条件来创建广告文案。据报道，所提出的方法在各种指标和质量审计中都优于现有的基于Transformer和LSTM的强化学习技术，甚至在语法和创造力方面也超越了人类生成的标题。
-
新的强化学习框架通过不确定性估计增强交易信心
研究人员开发了一种新的算法交易强化学习（RL）框架，该框架包含综合不确定性估计。该方法通过整合分布不确定性、认知不确定性和随机不确定性来应对动态金融市场的挑战。该框架使用 SHAP 加权重建不确定性、MC Dropout 和基于 LSTM 的技术指标共识等方法来增强不确定性估计。在美国股指上的实验表明，与传统模型相比，具有此不确定性估计的强化学习代理显著提高了回报和风险管理。
-
CLPsych 2026 上使用 NLP 和 LLM 进行社交媒体心理健康分析
psytechlab 的研究人员结合使用了自然语言处理（NLP）技术，包括长短期记忆（LSTM）和基于 BERT 的模型，以及大型语言模型（LLM），来分析社交媒体文本中的心理健康状态。他们的工作在 CLPsych 2026 上发表，重点关注自我状态和福祉分析及摘要。该方法在摘要的一致性和矛盾性方面取得了良好结果，有助于开发改进的心理健康支持系统。
-
LSTM在金融时间序列预测中优于基线KAN
一项近期研究比较了Kolmogorov-Arnold网络（KAN）和长短期记忆（LSTM）网络在金融时间序列预测中的应用，发现LSTM在预测准确性方面显著优于基线KAN。尽管KAN提供了理论上的可解释性，但其标准形式在处理序列数据方面不如LSTM有效。该研究为KAN在此类数据上的性能设定了一个基线，并建议进一步研究专门的时间序列KAN变体。
-
矩阵正交化增强RNN记忆，适用于长时任务
研究人员开发了一种方法，通过在读取操作中应用矩阵正交化来提高循环神经网络（RNN）的记忆能力。该技术借鉴了语言模型中使用的优化器，旨在增强联想回忆能力，尤其是在嘈杂的环境中。实验表明，对mLSTM记忆矩阵进行正交化处理，显著提高了在嘈杂联想回忆任务上的性能，尤其是在词汇量和序列长度较大时。
-
新框架利用时间序列AI预测个体缺勤
研究人员开发了一个新的时间序列分类框架，旨在预测个体缺勤，以满足医疗保健和应急服务等领域的重要需求。该框架将历史出勤数据与未来缺勤标签分开，从而能够比现有方法进行更主动的预测。使用模拟数据集和各种深度学习架构（包括LSTM-FCN）进行的实验显示出有希望的结果，其中LSTM-FCN表现出较高的精确率和特异度。
-
新的可解释机器学习模型t-STEP预测电离层不规则性
研究人员开发了t-STEP，这是一种新颖的可解释机器学习模型，旨在以高时间分辨率预测总电子含量（TEC）。该模型以30秒的频率运行，能够检测对GPS等卫星技术至关重要的电离层小尺度不规则性。与包括IRI-2020模型在内的现有方法相比，t-STEP模型显示出显著的准确性提高，并在捕捉地磁暴期间的动态电离层事件方面显示出潜力。
-
图神经网络精确模拟热塑性复合材料力学性能
研究人员开发了一个新颖的数据驱动代理框架，用于预测增材制造短纤维热塑性复合材料的力学行为。该框架采用了混合图神经网络-长短期记忆（GNN-LSTM）架构，该架构基于从微计算机断层扫描重建的微观结构数据进行训练。与高保真模拟相比，该模型能够准确预测刚度和应力-应变行为，R平方值高达约0.98，同时将计算成本降低了两个数量级以上。这种方法提供了一种物理信息驱动且数据高效的方法，用于识别组件中力学性能较弱的区域并加速数字孪生开发。
-
生成式AI模型学习情绪肢体动作表情
研究人员开发了一种基于Transformer的生成模型，可以直接从动作捕捉数据中学习情绪肢体动作表情。该模型以日本演员的表演为训练数据，能够根据离散的情感标签生成富有表现力的动作。评估结果显示，机器观察者能够以22.80%的准确率识别生成动作中的情绪，而人类评分者则达到了24.91%的准确率。该研究还证明了该模型在增强情感识别、提取特定情绪模式以及合成情绪强度之间的过渡方面的效用，突显了其在情感计算领域的潜力。
-
机器人机械臂在多类别人/物体检测中达到91%的准确率
研究人员开发了一种在机器人机械臂上进行多类别人/物体检测的新方法，改进了之前的二元分类模型。他们使用Franka Emika Panda机器人收集了一个数据集，并训练了LSTM、GRU和Transformers等模型。在实时测试中，表现最佳的模型达到了91.11%的准确率，证明了多类别检测在人机协作中进行更详细接触分析的有效性。
-
AI 管道使用 LLM 进行办公室能源异常检测和建议
研究人员开发了一种代理式 AI 管道，旨在改进办公楼宇的能源异常检测。该系统结合了深度时间序列预测、变分异常检测和基于 LLM 的推理，以提供可操作的维护建议。该管道使用混合 SSA 和 LSTM 预测模型、用于异常标记的 LSTM VAE，以及带有上下文代理、诊断代理和报告代理的 LangChain 框架。评估表明，动态检索方法在保持性能的同时显著减少了上下文来源，并且一个 7B 参数模型成功处理了所有测试场景。
-
AutoML 框架利用人工智能和 127,000 篇摘要预测无线技术趋势
研究人员开发了一个 AutoML 框架，通过分析科学出版物来预测无线网络和移动计算领域的技术趋势。该系统在超过 127,000 篇摘要上集成了聚类、主题建模和时间序列分析，并使用 SPECTER 模型进行语义嵌入。它采用元学习来选择最优的聚类和主题建模算法，然后进行由 LLM 辅助的主题标记和趋势预测。该框架成功预测了未来主题的流行度，均方根误差为 36.76，并将主题分类为强信号、弱信号或噪声信号。
-
量子启发式模型在高效流量预测方面展现潜力
研究人员开发了用于流量矩阵预测的参数高效量子启发式模型，旨在提高在线网络控制约束下的准确性和效率。G-QKANFWP模型与同等大小的LSTM和经典门控快速权重编程器相比，表现出优越的性能，在消耗显著更少计算资源的情况下，实现了最佳的汇集均方根误差。这些量子启发式变体显示出更低的验证损失和更成功的OD通道预测，表明其在资源敏感型网络流量管理方面具有有前景的设计。
-
AI策略通过历史聚合更快地学习网络安全渗透测试
研究人员开发并评估了在部分可观测网络安全场景下用于渗透测试的强化学习策略。他们将几种近端策略优化（PPO）变体（包括使用LSTM和TrXL架构的变体）与基线PPO方法进行了比较。研究发现，历史聚合显著提高了策略收敛性，比其他方法快了四倍，并提供了对所学策略的见解。
-
研究论文主张网格智能需要“液体基底”
一篇新研究论文提出，对于缺乏中央协调器的独立智能体网络而言，“液体基底”是网格智能的必要条件。该论文认为，这种基底必须适应其时间尺度，并考虑观测之间经过的时间，而固定增益滤波器无法满足这些条件。作者建议，能够处理不同时间尺度和不规则数据输入的连续时间液体网络，对于这些去中心化系统的最佳性能至关重要。
-
混合CNN-LSTM模型提升可再生能源电网网络安全
研究人员开发了一种新颖的混合CNN-LSTM框架，旨在增强智能可再生能源电网的网络安全。该模型通过结合CNN的空间特征提取和LSTM的时间序列建模，能有效检测即时异常和渐进式、低速攻击活动。该框架在NSL-KDD等基准数据集上展示了高精度和高召回率，精度高达98.2%，并且其效率通过GPU上每秒27,800个流的实时推理吞吐量得到证实，表明其在资源受限设备上部署的可行性。
-
新的GNN方法提高了多站点污染预测的准确性
研究人员开发了一种使用图神经网络（GNN）的新方法，以提高颗粒物（PM）污染预测的准确性。该方法基于通过混淆矩阵识别的类间关系动态构建图，并采用混合损失函数来增强学习稳定性。所提出的GNN模型，特别是GraphSage，在预测PM1、PM10和PM2.5浓度方面表现优于传统的机器学习和深度学习技术。该研究还纳入了GNNExplainer和PGExplainer等可解释性工具，以确保模型的透明度。
-
AI 模型解析：LLM、Transformer、Diffusion 等
本文解释了各种类型的 AI 模型，区分了大型语言模型 (LLM) 的密集模型和专家混合 (MoE) 模型。文章详细介绍了 Transformer 架构，该架构因其自注意力机制而成为现代 LLM 的基础。文章还涵盖了较旧的技术，如用于图像处理的 RNN/LSTM、卷积神经网络 (CNN)，以及用于生成图像和其他媒体的扩散模型。最后，文章介绍了多模态模型，这类模型可以处理文本和图像等多种类型的数据。
-
拓扑神经动力学框架将序列建模转向逐神经元动力学
提出了一种新的序列建模框架，称为拓扑神经动力学（TND），将计算从逐层动力学转移到逐神经元动力学。该方法将神经网络系统表示为有向神经元图，其中每个神经元独立演化，集体计算从通过显式图拓扑的交互中涌现。在对 Pong 行为克隆任务的案例研究中，TND 的表现优于 RNN、LSTM、CfC 和 Transformer 等基线模型，取得了显著更高的接球率。