文章讨论了中美地缘政治竞争，指出中国经济迅速崛起超出西方预期，打破修昔底德陷阱。特朗普政府的关税政策未能奏效，反而助力中国在关键技术领域进步。未来，美国可能更关注巩固美洲防御，而非直接对抗中国。

本研究提出了一种新型生成对抗网络α-GAN，采用Rényi交叉熵作为损失函数，解决了传统GAN的收敛速度和梯度消失问题。研究表明，Rényi阶α在(0,1)范围内能有效加速收敛，推动GAN的发展。

本研究针对大型语言模型（LLMs）中存在的交叉偏见问题，提出了一种新颖的检测技术HInter，该技术结合了变异分析、依赖解析和变形 oracle，以自动寻找模型中的隐性偏见。通过对六种LLM架构和18种模型的评估，我们发现14.61%的生成输入揭示了交叉偏见，且依赖不变性显著降低了假阳性的出现，从而强调了对LLMs进行交叉偏见测试的重要性。

本研究探讨了博弈论与大型语言模型（LLMs）之间的关系，指出LLMs的语言理解能力对传统博弈模型的均衡分析产生影响，推动了博弈论的发展。

本研究提出了一种增强的提取器-选择器框架，改善了边缘检测中的特征选择机制，并引入了对称加权二元交叉熵损失函数，显著提高了边缘像素的召回率和预测准确性，设立了新基准，具有重要应用潜力。

本文提出了一种新颖的优化算法EXAdam，它通过引入新的去偏差项、基于梯度的加速机制和动态步长公式，解决了原有Adam算法的局限性。实验结果表明，EXAdam在多个任务中的收敛速度和准确率显著优于Adam，显示出在复杂优化领域中的潜在优势。

本研究解决了现有视频-文本检索基准在评估模型能力，尤其是时间理解上的不足。提出了RTime数据集，利用反向视频创建更具挑战性的负样本，并设定了三项检索基准任务，显著提升了视频-文本检索的难度和效果。研究结果表明，RTime为推动视频-文本检索和多模态理解研究提供了新的方向。

本研究探讨了交叉算子在进化多目标优化中的作用，分析了NSGA-III算法，证明交叉可以显著加速运行时间，提高找到Pareto集的效率。

本研究解决了土耳其情感分析数据集稀缺的问题，系统评审了2012至2022年间的研究，收集了23个公开数据集，并分类了31项研究，发现不同文本特征下情感分析工具的性能差异显著。

该研究提出了一种基于深度学习的糖尿病视网膜病变（DR）分析算法，结合卷积神经网络（CNN）和自监督学习，显著提高了病变检测和分类的准确性，具有良好的临床应用潜力。

本文探讨了低资源语言的多语言自动语音识别（ASR）技术，提出通过单个transformer模型和数据增强方法来提高识别精度。研究表明，多语言训练显著提升了低资源语言的识别性能，尤其在51种语言的基准测试中表现突出。通过跨语言学习和适应性激活网络等技术，展示了在低资源环境下的有效性和潜力。

本文介绍了一种跨模态自注意模块（CMSA），能够有效捕捉语言与视觉特征的长距离依赖关系，并通过门控多层融合模块集成特征。研究表明，该方法在图像分割任务中优于现有技术，并在多个数据集上取得了最先进的性能。

该研究探讨了高维核岭回归的泛化性能，分析了正则化方案下偏差和方差与训练数据及特征维度的关系。研究表明，噪声与正则化的相互作用影响泛化误差，并提出了一种新方法来调整岭回归的正则化超参数，以提高回归参数估计的效率。通过随机对偶理论，研究了多种经典估计方法的性能，揭示了预测风险的非单调行为。

本文介绍了多种先进的3D分割模型，如OneFormer3D、PSGformer和SegFormer3D，展示了它们在实例分割和语义分割任务中的优越性能，尤其是在ScanNet和S3DIS数据集上取得最佳结果。此外，提出了新颖的场景图生成方法S^2Former-OR，具有较低的计算成本和更高的精度。这些研究推动了3D视觉理解的进展。

本文介绍了一种新颖的立体图像压缩方法，利用自编码器和条件熵模型，实验表明在低码率下比传统方法减少30-50%的比特率。CAMSIC框架通过内容感知技术和无解码器的Transformer模型提升了压缩性能。ECSIC方法通过立体图像间的相互信息进行联合压缩，验证了其在Cityscapes和InStereo2k数据集上的优越性，适合实时应用。

本文探讨了人工智能与人类创新的相互作用，强调绿色计算在软件工程中的重要性。研究提出了绿色计算框架，包括绿色度量、能效人工智能、能效计算系统和可持续应用案例，旨在解决资源限制与人工智能发展的冲突，推动环保友好的人工智能研究。

近期学习算法的进展表明，损失曲面的陡峭程度是提高泛化差距的有效指标。本研究引入创新的方法进一步增强模型泛化能力，提出了自适应对抗交叉熵（AACE）损失函数替代 Sharpness-Aware Minimization（SAM）的扰动，同时提出了一种利用 AACE 损失生成扰动的新方法，实验证实了 AACE 的有效性，并通过在各种数据集上使用 Wide ResNet 和 PyramidNet...