本研究探讨了视觉-语言模型中的幻觉问题，提出了一种跨时间预测连接方法，以增强logits的语义一致性，从而显著提高模型的准确性和效率，减少幻觉现象。

本研究解决了光计算系统在执行特定功能时所需空间的基本问题，尤其是对于更一般的计算任务如分类。通过引入空间效率的神经形态光学设计新范式，基于结构稀疏约束和神经修剪方法，研究表明在保持性能的同时，系统尺寸可显著减小至传统设计的1%-10%。研究结果揭示了随着结构维度增加，准确率的收益递减趋势，为光计算的尺寸与准确度的权衡提供了新视角。

本研究探讨卷积神经网络中的特征图冗余问题，提出核正交性不一定能减少冗余。通过新损失函数“卷积相似性”，有效降低特征图相似性，从而提升模型性能和收敛速度。

本研究解决了在线控制实验（A/B测试）中方差减少的问题，以提高实验敏感性。提出了一种新方法，结合预实验和实验数据，显著降低方差，同时避免引入偏差和额外计算复杂性。应用于Etsy的多项在线实验中，结果显示出显著的方差减少潜力，有助于加速决策过程。

该研究解决了传统视频压缩方法中冗余特征和帧间关系学习困难的问题。通过提取帧的高频分量和相邻帧特征的差异，提出了一种新的视频表示方法。实验结果表明，该方法在90%的视频中优于现有HNeRV方法，展示了良好的压缩性能与一致性。

本研究提出了TRIM方法，通过减少图像令牌降低多模态大语言模型的计算开销，保持性能一致。在12个数据集上测试，为高性能模型的可及性和可持续性做出重要贡献。

本研究提出了混合稀疏训练（MST）方法，通过稀疏训练和注意机制，减少了大语言模型的计算需求，提高了计算效率。

DEV致力于开源开发，使用开源工具和技术。他们的平台Forem是一个开源的Rails应用程序，旨在促进社区和内容共享。为了满足高流量全球网络的需求，他们集成了Algolia，提供更好的搜索体验和扩展性。Algolia的架构优化了速度和延迟，并提供了个性化和相关性的搜索结果。他们强调渐进增强的价值，实现灵活性、可扩展性和持续改进。

CATGNN是一个成本效益高且可扩展的分布式GNN训练系统，使用名为SPRING的新型流式分区算法。验证了CATGNN与SPRING在16个开放数据集上的正确性和有效性，证明CATGNN能够处理最大的公开可用数据集，并在平均复制因子上优于最先进的分区算法50%。

使用 LSTM 网络的模型集合可以准确预测平衡生物传感器响应，从而显著减少响应时间，并提供不确定性估计，为安全性相关决策提供信心。

本文介绍了基于拟 parabolic 膨胀的方向小波变换和通过各向异带分析的两种几何多尺度分析方法，这些方法在数据压缩、逆问题、噪声去除和信号检测等方面具有潜在的应用价值。

本文介绍了一种利用检索增强生成（RAG）改进大规模语言模型（LLMs）的端到端系统设计，用于处理私人知识库相关的领域特定和时间敏感查询。实验结果表明该系统在生成准确的查询答案方面有效，并揭示了微调LLM时使用小规模和偏斜数据集的限制。

介绍了手动注释的NC-SentNoB数据集，用于识别约15k个噪声孟加拉文本中的十种不同类型的噪声。实验结果显示现有的噪声降低方法不理想，强调了未来研究需要更合适的方法。