文章探讨了人类语言的统一与分裂，借用「巴别塔」故事和「Lisp诅咒」概念，指出AI技术使人类重新理解彼此，但也导致编程语言的个体化分裂，可能引发沟通障碍。

本研究解决了低地球轨道（LEO）卫星系统中，由于与地面站间不稳定的连接和数据稀缺而导致的集中学习和分布式学习的挑战。提出了LEO-Split，一个适用于卫星网络的半监督分裂学习框架，通过构建辅助模型和伪标记算法，克服了数据不平衡和训练失败的问题，实验结果表明该框架在性能上优于现有的最佳模型。

本研究提出了一种公平的原始对偶算法框架，解决图像逆问题中的优化模型不足。通过引入平滑项，确保全局收敛并建立收敛速率。实验结果表明，该方法在图像去噪和超分辨率重建方面优于现有技术。

本研究聚焦于神经形态计算中的分裂计算架构，尤其是在使用多级脉冲的脉冲神经网络（SNNs）进行推理时所面临的无线信息传输挑战。我们提出了一种优化的数字和模拟调制方案，以适应正交频分复用（OFDM）无线电接口，从而提高推理的准确性和效率。实验结果表明，适当的有效载荷大小可以显著提升多级SNN模型的性能，并与传输质量密切相关。

本文提出了一种结合声学、认知和语言特征的多模态系统，利用人工神经网络高精度检测阿尔茨海默病。研究探讨了多模态数据整合和生成模型在疾病预测中的应用，展示了改进的学习方法和鲁棒性，推动了阿尔茨海默病的诊断与监测。

该论文研究了物理信息神经网络（PINNs）的理论与实践，提出了多种优化算法以提高其在偏微分方程中的有效性。通过结合神经切向核和新架构，验证了PINNs在解决正向与反向问题中的优势，并强调了训练过程中的收敛性和误差控制的重要性。

本文提出了一种新颖的双室结构，用于解决大型语言模型中的“生成监督”问题。该模块在生成每个标记时提供监督，并学习预测序列的监督得分。研究显示，该方法具有重要的理论发现。

该论文探讨了大型语言模型（LLMs）的人格特征及其可控性，提出了Machine Personality Inventory（MPI）数据集以评估模型的人格。研究发现，LLMs在文本生成中展现出与人类相似的人格特质，并通过角色扮演提示展示适应性。同时，研究强调了对LLMs测试有效性的关注，揭示了其多样化的个性特征。

本文探讨了在移动设备上应用深度神经网络的技术，提出通过分割计算和提前结束计算的方法来优化资源使用，降低带宽和能耗。研究开发了多种算法，如SplitEE和I-SplitEE，能够在保持准确性的同时显著降低成本。此外，介绍了动态拆分计算模型和AdaptiveActivation技术，以提高推理效率并适应不同硬件需求。

本研究提出了一种利用 LoRA 技术的联邦分割语言模型（FedsLLM）框架，通过在无线通信网络中将网络划分为客户端子网络和服务器子网络，利用联邦服务器来聚合和更新客户端模型，实现了对大型语言模型的部署挑战进行解决，通过整合计算和通信优化以将训练延迟最小化，并给出了这个问题的精确解。模拟结果表明，与未经优化的场景相比，所提出的优化算法平均减少了 47.63% 的延迟。

本研究探讨大型语言模型（LLMs）在社交网络开发中的应用，涵盖知识、娱乐和基础任务，提出相应的挑战与解决方案。研究表明，LLMs能够有效检测社交媒体影响力竞选，提升对话质量，并在社交网络数据建模中表现出色。此外，LLMs在内容审核和谣言检测中展现出强大能力，强调其在社会科学研究中的潜力与挑战。