爱立信凭借“意图感知切片”技术在2026世界移动通信大会上获得“GTI年度大奖”。该技术自动管理无线资源，支持5G Advanced与AI融合，已在亚洲商用并成功应用于国际赛车赛事。

模型参数量反映规模和复杂性，通常以十亿为单位。参数是影响预测能力的学习变量。轻量级模型适合个人开发者，高性能模型满足大型企业需求。选择模型时需平衡任务、预算和技术能力。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

本研究针对6G网络中虚拟化网络功能（VNF）管理中的服务功能链（SFC）划分问题，提出了一种基于变换器的演员-评论家框架。该方法通过自注意机制有效建模VNF之间的复杂依赖关系，提升了训练的稳定性和收敛性，实验证明该框架在长期接受率、资源利用效率和可扩展性方面超越了现有技术。在6G环境下，为智能网络编排提供了一种可扩展且强大的解决方案。

本研究提出了一种名为HRLFS的方法，通过多智能体层次强化学习提高特征选择效率。该方法结合大型语言模型提取特征，优化计算时间，提升机器学习性能，展现出良好的效率与可扩展性。

本研究解决了模型定制中获取多样化和高质量数据的困难问题。提出的TreeSynth框架通过递归划分数据空间，实现对合成数据的全面和多样化生成。实验结果显示，TreeSynth在数据多样性和下游任务表现上均优于现有方法，具有显著的改善效果。

本研究针对交互数据（即行动与观察交织的数据流）中的通用源编码进行了扩展，解决了如何在行动生成中避免自我错觉问题。提出了一种高效的新算法，推广了划分树加权的通用编码技术，并成功应用于非平稳随机伯努利赌博机问题，显示了其在控制设置下的优越性能。

本文提出了一种基于自适应数据驱动离散化的$Q$-学习算法，适用于大型状态-动作空间的无模型强化学习。研究了相似度度量在强化学习中的应用，提出了提高样本效率的新方法，并探讨了探索策略和状态抽象的学习。最后，通过符号回归生成的表达式提升了模型无关强化学习的样本效率。

子网是较大网络中的小型网络，用于寻址和流量管理。IP地址是子网的房号，帮助路由器确定数据发送到哪个部分，提高效率。子网掩码标识IP地址的网络和主机部分。子网的好处是提高网络性能，减少拥塞。

本文介绍了一种新方法，通过DeepWalk在supra图上获取节点嵌入并进行微调，从而提升节点分类、链接预测和社区检测的效果。研究表明，该方法在多项基准测试中优于现有算法。此外，提出了基于概率生成模型的vGraph，优化了社区成员学习，实验结果显示其性能优于多个基线。

本文探讨了一种基于贝叶斯全卷积神经网络的脑分割质量控制方法，利用模型不确定性进行有效的蒙特卡罗采样，生成体素级不确定性图。研究提出了多种不确定性估计方法，应用于医学图像的病变检测和分割，提升了诊断准确性，增强了深度学习模型在医学图像分析中的稳健性和信任度。