本研究通过LongFormer改进医疗文本摘要模型，提升了信息保留和摘要准确性。实验结果表明，该模型在ROUGE指标上优于传统模型，但在简洁性和可读性方面仍需改进。

本研究提出了一种新的服从-sympow变压器，旨在解决传统对称幂变压器在处理长文本时的信息保留不足问题。通过数据依赖的乘法门控和自适应旋转嵌入技术，该方法能够动态释放和存储容量，初步实验显示其在训练和评估中表现优异，有效克服了对称幂变压器的局限性。

本研究提出粗集合理论（CST）作为粗伦理学（CE）的数学基础，探讨伦理决策中的概括性评估问题。通过定义粗集合和粗映射，分析不同粗粒度划分对信息保留的影响，为评分系统的应用提供理论支持。

本研究提出了一种新的结构化信息瓶颈框架，解决了现有方法在特征设计上的不足。通过辅助编码器提取缺失特征，我们的方法在预测准确性和信息保留方面优于传统方法，即使在网络规模减小时也能保持高性能。

本文探讨了旋转位置嵌入（RoPE）如何通过位置依赖的旋转提升变换器模型的信息保留和时序建模能力，强调频率成分的重要性。

本研究提出了一种新型连续语音标记器及其文本到语音模型，克服了离散语音标记器在信息保留方面的不足。结果表明，该模型在连续性和平均意见分数上表现优异。

本文提出了一种基于多层次探测极性语言的词向量模型的文本去极性框架，通过对11个话题的99个故事应用该方法，实现了文本去极性。作者使用自动和半自动模式比较分析原始文本和去极性后的文本，并通过161个人类测试人员获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。

该文介绍了一种基于多层次探测极性语言的词向量模型的文本去极性框架，用于检测和取代媒体报道中的极性语言，实现文本去极性。作者通过对11个话题的99个故事应用该方法，获得高反馈，证明了该方法在有效去极性的同时保留了原始文本的信息。