该研究使用机器学习和卫星数据开发了全球海表溶解氧综合建模框架，生成了2010年至2018年的大规模海表溶解氧数据集。研究发现，即使在氧气充足的海表区域，溶解氧含量也呈下降趋势，主要归因于海表温度的变化。这项研究对于了解全球海洋溶解氧的变化和脱氧现象的成因具有重要意义。

拓扑数据分析（TDA）是一种使用拓扑学技术对复杂的多维数据进行分析的数学方法。本综述总结了TDA在工业制造和生产领域的最新研究现状，并介绍了其关键优势和挑战，以及未来的潜力。同时讨论了TDA在工业应用领域的低利用程度，并呼吁进行更多研究。

本文研究了无监督域自适应的视觉语言模型，通过提示学习和分布对齐方法，减小了源域和目标域之间的分布差异，提高了模型性能。实验证明该方法在三个基准测试上达到了最先进的性能。

通过数据分配感知性能模型和通信集合的数据移动预测，我们可以在多个 GPU 平台上训练机器学习工作负载，并且能够准确预测迭代训练时间，扩展到其他类型的机器学习工作负载，例如基于 Transformer 的自然语言处理模型，并能够生成洞察力，如快速选择最快的嵌入表分片配置。

我们提出使用角色概况任务来评估大型语言模型（LLMs）的角色理解能力，通过从对应的材料中总结角色概况，构建 CroSS 数据集并比较与下游任务的适用性，我们的实验结果强有力地验证了 LLMs 的角色理解能力，并且我们相信我们构建的资源将促进该领域的进一步研究。

通过比较分析三种神经网络结构：循环神经网络（RNNs）、门控循环单元（GRUs）和长短期记忆（LSTMs），本研究揭示了这些模型在全年和生长季节预测中具有可比较的性能，特别是 LSTMs 在预测气候引起的 GPP 极值方面表现出色。此外，我们的分析突显了在准确预测 GPP 方面，尤其是在气候极端条件下，有必要将辐射和遥感输入（光学、温度和雷达）纳入考虑。

传统扩散模型通常依赖于固定的前向过程，本文引入神经流扩散模型（NFDM），通过支持更广泛的前向过程以及提出一种新颖的参数化技术来增强扩散模型，实现了无需模拟的端到端优化目标，从而有效地最小化负对数似然的变分上界。实验证据显示 NFDM 具有出色的性能，表现为最先进的似然估计。此外，我们还研究了 NFDM 在学习具有特定特征的生成动态，如确定性直线轨迹方面的潜力，这一探索彰显了 NFDM 的多样性和广泛应用潜力。

使用跨模态条件扩散模型，结合组织学图像和基因表达进行超分辨率空间转录测序图，实现了更高的精度和性能。

物理整合生成建模是一种混合或灰箱建模，通过使用变分自动编码器作为生成模型来改善重建保真度和对噪声的鲁棒性。在人体运动数据集上进行实证评估，结果验证了模型的有效性。

我们提出了一种新的多保真度训练方法，利用不同保真度和成本的数据定义线性回归模型的未知参数的新的多保真度蒙特卡罗估计器，并提供理论分析以保证该方法的准确性和对较小训练预算的改进鲁棒性。数值结果验证了理论分析，并表明我们的多保真度训练策略能够在稀缺数据环境下产生具有较低期望误差的模型。