Spatiotemporal

Spatiotemporal（时空）指同时包含空间与时间两个维度的数据，以及对这类数据进行建模的方法体系，常见于视频理解、动态图分析和传感器网络预测等机器学习任务。近期多项研究显示，该领域的关注点正从单点预测能力转向跨域复用与更抽象的统一建模。

Spatiotemporal 近期进展

视觉上下文学习向视频延伸：ViGeo 通过时空类比，把模型在静态图像上获得的上下文学习经验迁移到视频任务，降低多模态模型处理时间维度的学习成本。详见 ViGeo：用时空类比把视觉上下文学习扩展到视频任务。

动态图跨域迁移获得协议化方案：针对动态文本属性图上的边分类，STSA 提出迁移学习协议，尝试在图结构与文本属性同时变化时复用源域的判别知识。详见 STSA 针对动态文本属性图的跨域边分类提出迁移学习协议。

预测建模转向场视角：面对传感器网络持续扩张带来的规模压力，STFO 将时空预测重构为场演化算子，以连续场形式统一表达空间分布与时间演化。详见 STFO 提出将时空预测建模为场演化算子，应对传感器网络扩张。

三项工作分别覆盖视频多模态、动态图迁移与连续场建模，但指向同一个核心问题：模型能否在数据结构随时间变化时保持可迁移性。后续值得观察的是，跨域评测协议能否被社区采纳为基准，以及场演化算子这类连续化表述在大规模部署中能否兑现其扩展性优势。