CTAA V3是电影时间抗锯齿Unity插件，现在具有完整的HDRP支持和增强功能，CTAA支持PC/MacOS和所有渲染路径中的所有VR设备，包括单通道立体VR，只需单击一下即可实时实现真正的下一代电影渲染质量。V3不再有镜面微光或镜面混叠，不再有 PBS 引起的高频闪烁，不再有 HDR Bloom 闪烁，只有 ROCK STEADY 胶片质量清晰的抗锯齿图像，性能卓越。CTAA 提供真正的电影质量时间超采样抗锯齿结果，可在物体运动时保持和保持清晰度和清晰度，性能大约相当于标准 FXAA,MSAA还可以与CTAA一起使用，提供无与伦比的真正离线质量结果，由于以很少的性能成本显着提高了质量，因此这是所有VR项目的绝佳选择

Modeling Continuous-time Event Data with Neural Temporal Point Processes 事件数据是机器学习许多高影响力应用的核心。电子健康记录中的医院访问，地震学中的地震目录，以及神经科学中的高峰列车——所有这些都可以用连续时间中可变长度的事件序列来表示。时间点流程(TPPs)为此类数据建模提供了一个自然的框架。然而，传统的TPP模型缺乏捕捉现实事件数据中呈现的复杂模式的能力。神经TPP旨在通过将神经网络与点过程文献中的基本思想相结合来解决这一限制。本论文的两个主要主题是(1) 设计灵活、可处理和高效的神经TPP模型，(2)它们在现实问题中的应用。我们的第一个贡献是TPP和神经密度估计领域之间的联系。这使得我们能够开发第一个神经TPP模型，其中的可能性计算、采样和预测都可以以封闭的形式有效地完成。接下来，我们提出了TriTPP——一种新的表达性TPP模型，与现有方法不同，该模型中所有操作都可以并行完成。快速平行采样为TPP模式开启了新的应用。我们通过推导连续时间离散状态系统的变分推断方案来证明这一点。最后，我们将拟合优度测试方

【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

小样本利器1.半监督一致性正则 Temporal Ensemble & Mean Teacher代码实现.doc

随着Web服务的指数级增长，建议使用各种协作QoS预测方法对服务质量（QoS）进行有效评估，并帮助用户选择合适的服务。 考虑到服务调用的复杂时空上下文的影响并在预测过程中利用它们的特征，仍然是一项技术挑战。 为此，我们提出了两个通用的时空上下文感知协作神经模型（STCA-1和STCA-2），通过考虑服务端和用户端的调用时间和多个空间特征来进行QoS预测。 我们提出的模型利用层次神经网络来实现原始特征的嵌入表达，二阶特征的生成，一阶和二阶特征的融合，空间特征之间的交互以及时态特征的逐层化。 特别地，引入注意力机制来自动地将权重分配给空间特征，并实现在特征融合中的判别性应用。。在大规模数据集上的实验证明了该方法的有效性：（1）。预测误差可以显着与基线方法相比尤其如此。在稀疏训练数据的情况下，我们的模型在MAE和NMAE方面的性能提高了约10.9–21.0％，在RMSE方面的性能提高了2.4–7.8％。 （2）注意机制使我们能够更合理地对特征融合的有效性做出直观的解释，从而增强了预测模型的可解释性。

时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文

颞脑表达 基于BrainSpan发育转录组数据分析时空大脑表达的脚本。 BrainSpan数据 单击下载RNA-seq数据（genes_matrix_csv.zip，62.2 MB）。 有关更多信息，请参阅。 文献资料 下载（与上述文件相同）。 在CONFIG.R输入正确的路径。 这是加载BrainSpan数据并控制将输出文件写入何处所需的。 转到src/目录。 运行R CMD BATCH read_rnaseq_data.R以加载和处理BrainSpan数据。 该脚本将生成两个带有BrainSpan数据的.RData文件（运行时间约为15分钟）。 执行分析 运行R CMD BATCH graphics_genes_temporal_trajectories.R以生成基因轨迹图。 运行R CMD BATCH statistics_prenatal-vs-postnatal-te

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting

TSM: Temporal Shift Module for Efficient Video Understanding的个人涂鸦版本

Skeleton-based abnormal gait recognition with spatio-temporal attention enhanced gait-structural graph convolutional networks的PDF涂鸦 Neurocomputing 2022 task:基于骨架特征的步态识别