Update README.md (#1)

- Update README.md (050733caf0c259192fb901a5e5976e1ccb5d6837)


Co-authored-by: chengming <[email protected]>

README.md

@@ -34,7 +34,7 @@ license: cc-by-nd-4.0
 | 2024/9/18       | 吴微                             | Towards an end-to-end artificial intelligence driven global weather forecasting system   |   https://arxiv.org/pdf/2312.12462v1    | 该文章提出了一种基于AI的数据同化模型Adas，并和先进的基于AI的预报模型风乌结合，构建了首个端到端的基于AI的全球天气预报系统：FengWu-Adas。Adas引入了置信度矩阵，使用门控卷积处理稀疏观测，并使用门控交叉注意力捕获背景与观测之间的相互作用。研究表明，Adas能够同化全球观测数据，产生高质量的分析，使系统能够长期稳定运行。  | 
 | 2024/9/25        | 杨珂懿                           | PrivShape: Extracting Shapes in Time Series under User-Level Local Differential Privacy   |   https://arxiv.org/pdf/2404.03873    |  本文提出了 PrivShape，这是一种基于用户级别 LDP 的 Trie 机制，用于保护所有元素。PrivShape 首先转换时间序列以减少其长度，然后采用 Trie 扩展和两级细化来提高效用。通过对真实世界数据集的大量实验，我们证明了 PrivShape 在适应离线使用时优于 PatternLDP，并且可以有效地提取频繁的形状。 | 
 | 2024/10/10       | 曹敏君                           | Biased Temporal Convolution Graph Network for Time Series Forecasting with Missing Values   |   https://openreview.net/forum?id=O9nZCwdGcG    | 本文提出了一种偏置时间卷积图网络BiTGraph，同时捕获时间依赖性和空间结构。多元时间序列预测在气象研究、交通管理和经济规划等各种应用中发挥着重要作用。在过去的几十年中，通过探索时间动态和空间相关性，人们为实现准确可靠的预测做出了许多努力。特别是，近年来基于 Transformer 的方法的发展显着提高了长期预测的准确性。现有的预测方法通常假设输入数据完整，然而，在实践中，由于设备故障或昂贵的数据采集，时间序列数据经常被部分观察到，这可能严重阻碍现有方法的性能。简单地使用插补方法不可避免地会涉及误差积累并导致次优解决方案。本文提出的BiTGraph方法将偏差注入到两个精心开发的模块中（多尺度实例 PartialTCN 和偏差 GCN）以解释缺失的模式。实验结果表明提出的模型能够达到在五个真实世界基准数据集上相比现有方法提高9.93%。论文和代码大家感兴趣可以先了解一下。   | 
-| 2024/10/17     | 程铭       | Hierarchical Reinforcement Learning for Dynamic Autonomous Vehicle Navigation at Intelligent Intersections | https://dl.acm.org/doi/pdf/10.1145/3580305.3599839 | 文章提出了 NavTL，这是一种基于学习的框架，用于在人类驾驶车辆和自动驾驶汽车共存的混合交通场景中联合控制交通信号计划和自动车辆重新路由。其目标是通过最大限度地减少十字路口的拥堵，同时引导自动驾驶车辆避开暂时拥堵的道路，从而提高出行效率并减少总出行时间。  |
+| 2024/10/17     | 程铭       | Hierarchical Reinforcement Learning for Dynamic Autonomous Vehicle Navigation at Intelligent Intersections | https://dl.acm.org/doi/pdf/10.1145/3580305.3599839 | 文章提出了 NavTL，这是一种基于学习的框架，用于人类驾驶车辆和自动驾驶汽车共存的混合交通场景中联合控制交通信号计划和自动车辆重新路由。其目标是通过最大限度地减少十字路口的拥堵，同时引导自动驾驶车辆避开暂时拥堵的道路，从而提高出行效率并减少总出行时间。  |
 | 2024/10/24    | 颜浩       | GraphCLIP:  Enhancing Transferability in Graph Foundation Models for Text-Attributed Graphs  | https://arxiv.org/pdf/2410.10329   | 本文提出的GraphCLIP通过将图与文本总结进行对比预训练来学习图基础模型。主要包括利用LLM生成大规模"图-总结"配对数据，并设计了一种图提示方法来减轻少样本学习场景下的灾难性遗忘。   |
 | 2024/10/31   | 殷珺       | NoteLLM-2: Multimodal Large Representation Models for Recommendation | https://arxiv.org/pdf/2405.16789    | 本文探索基于大语言模型的多模态推荐系统，尝试采用：（1）multi-modal in-context learning和（2）late fusion来缓解现有模型过度依赖文本、忽视视觉信息的问题。    |
 | 2024/10/31   | 金志晗       | Skilful nowcasting of extreme precipitation with NowcastNet | https://www.nature.com/articles/s41586-023-06184-4  | 这篇文章于2023年7月发表于Nature正刊，清华大学与中国气象局基于极端降水预报目前的方法容易出现强度、位置误差的问题，提出NowcastNet，它将物理演化方案和生成式学习统一到具有端到端预测优化的神经网络中，效果上超越了谷歌的短临降水预报模型DGMR。   |