本研究解决了尖峰神经网络在使用替代梯度进行训练时，所面临的“伽马困境”，即伽马值过大导致神经元过度激活，增加能耗，而过小则引起梯度消失。我们提出了一种时滞抑制泄漏积分发火（ILIF）神经元模型，该模型通过引入抑制单元有效地抑制过度激活，同时保持梯度传播。实验表明，ILIF显著提高了能源效率，降低了发火率，稳定了训练并提高了准确性。

本文解决了当前社区检测方法在训练时存在的次优收敛和拓扑连通性不足的问题。提出了一种新颖的基于拓扑和属性相似性的社区检测方法（TAS-Com），通过引入新损失函数和利用Leiden算法优化社区结构，显著提升了结果的模块性和与人工标记的一致性。实验结果表明，TAS-Com在多个基准网络上的表现明显优于现有的多种先进算法。

本研究解决了随机分类器集群中集体行为出现的理论模型缺失问题。通过引入基于分类损失的吉布斯测度加权方法，研究表明 存在一个有限的温度参数，使得分类在损失上是最优的。实验结果显示这一现象在高质量、无噪声的数据集上具有重要意义，揭示了自组织特性。

本研究解决了当前大型语言模型（LLMs）中神经缩放规律的起源不明的问题，提出了一个基于叠加和特征频率的玩具模型。研究发现，当叠加效应强烈时，损失与模型维度成反比关系，并且在分析开源LLMs时，这种预测得到了验证，表明叠加表示是神经缩放规律的重要机制，有望启发新的训练策略和模型架构。

ИИ в кибербезопасности: Нейросети для обнаружения аномалий в трафике и генерации фишинговых писем. Риски и методы противодействия Введение Кибератаки становятся все более частыми и...

本文针对在神经架构搜索过程中评估深度神经网络性能的难题进行了研究。提出的“绿色工厂”方法采用随机森林回归器组合多个零成本代理的优点，能够直接预测模型的测试准确性，从而克服了传统方法训练耗时和资源需求大的缺陷。实验证明，绿色工厂在多个数据集上表现出良好的相关性，显示出其在评估神经网络性能方面的潜在影响。

Implement and train a neural network from scratch on MNIST dataset in Rust without using high-level libraries like TensorFlow or PyTorch. You can find the code at:...

本研究提出了一种分布式量子-经典框架，结合了光子量子神经网络与矩阵积态映射，解决了经典神经网络的参数效率训练问题。通过混合量子-经典工作流，该框架在保持较高分类精度的同时显著降低了参数数量，并展示了在近实时硬件条件下的鲁棒性。这项工作为分布式量子机器学习提供了可行路径，展示了光子计算的可扩展性与经典神经网络的可部署性。

本研究解决了使用大型语言模型（LLMs）作为图神经网络（GNNs）节点表示优化增强器的基本特性探索不足的问题。通过构建合成图数据集并进行干预实验，我们揭示了LLM增强器与GNN之间的内部机制，并设计了插拔式优化模块以改善二者的信息传递。实验验证了该模块的有效性，为图表示学习提供了新的视角和改进方向。