该研究针对多智能体强化学习中的全参数共享所导致的策略同质化问题，提出了一种新颖的可适应部分参数共享方案“万花筒”。通过维护公共参数集和多个独特的可学习掩码，本研究促进了策略的多样性，同时保持了高样本效率，实验证明该方法在多个环境中表现优于现有的参数共享方法，展示了其在MARL中的潜在性能提升。

本研究提出了一种基于C++、LLVM和Cuda的Jitted编译器，解决了训练人工神经网络的编译效率与性能问题。实验结果显示，该编译器在性能和速度上与PyTorch相当，具备良好的应用潜力。

本研究提出了一种新方法，将T细胞受体（TCR）蛋白序列转化为图像，利用深度学习模型分类并揭示其与癌细胞的关系，开辟了蛋白质分析领域的新方向。

应用生成式人工智能于建筑设计的研究，通过多个神经网络结合实现无监督且非调整的独特建筑图像流，研究基于机器假象的概念框架，结果显示每个步骤都在技术和审美指标上改善。

研究了具有独立高斯参数的 ReLU 网络中对抗性样本的现象。发现瓶颈层在网络中起关键作用，并确定了计算比例和敏感度。结论是在具有恒定深度的网络中，一些深度的限制是必要的。