本文针对现有空间图神经网络在欺诈检测中因排除异质邻居而导致的预测不确定性问题，提出了一种新的框架——双通道异质信息传递（DHMP）。该方法通过异质性分离模块将图划分为同质和异质子图，并使用共享权重独立捕捉不同频率的信号，从而显著提升了欺诈检测的性能。实验结果表明，DHMP在三个真实数据集上的表现优于现有方法，突出了信号频率分离的重要性。

本研究解决了传统生物特征识别在口罩和卫生问题下面临的挑战，提出了一种新颖的双通道多注意力视觉变换器框架。该框架通过独立提取额头皮下静脉模式和眼周模式，展示了优越的分类准确率（99.3±0.02%），为生物特征认证提供了有效的替代方案。

本文介绍了多种改进的U-Net模型在医学图像分割中的应用，包括MultiResUNet、DoubleU-Net、Sharp U-Net、U-Net v2、BRAU-Net++和U-KAN等。这些模型通过不同技术提升了分割的准确性和效率，特别是在处理复杂医学图像时表现优越，强调了新架构创新和严格验证标准的重要性。

本文提出了一种名为P2M2-Net的点云补全框架，利用Transformer模型实现多模态特征融合，生成多样化的形状补全结果。实验表明，该方法在PartNet-Prompt数据集上进行部分感知点云补全时表现优越。

本文介绍了LoRA-Whisper模型，通过引入LoRA矩阵，提升多语种自动语音识别性能，减少语言干扰。在八种语言的实验中，LoRA-Whisper在多语种识别和语言扩展上分别提高了18.5%和23.0%。研究还探讨了低秩适应方法在低资源语言和跨语言转移中的应用，显示出良好的性能和适应能力。

本文提出了一种多尺度 Transformer 方法，旨在提高雨天图像重建的质量和模型鲁棒性。通过双支路注意力融合网络和多尺度渐进融合网络，解决了多维图像特征融合问题。实验结果表明，该方法在多个基准数据集上表现优异，推动了图像去雨研究的新方向。

本文讨论了全景人体活动识别（PAR）及其解决方案，包括基于层次图神经网络的算法和新建立的基准数据集。研究提出了动态时间金字塔网络（DTPN）和多居住者活动识别系统（PALMAR），利用创新技术提高活动识别的准确性。此外，动态推理网络（DIN）和基于解离图嵌入的模型显著提升了群体活动识别的性能。

该研究提出了图神经多行为增强推荐框架（GNMR），通过建模用户与物品的多种交互关系，显著提升了推荐系统的性能。实验结果表明，该方法在多个数据集上有效改善了推荐效果。此外，研究还介绍了多种图神经网络模型，解决了数据稀疏性和用户兴趣建模等问题，展示了其在推荐系统中的有效性和可扩展性。

本研究提出了一个基于推理可靠性和预测可靠性评分的双通道评估框架，用于乳腺超声图像分类。通过改进的特征归因算法和不确定性量化，验证了该框架在临床数据集和公共数据集上的有效性和鲁棒性。

本文介绍了一种使用注意力模块的金字塔通道注意力网络（EPCA-Net）用于自动检测病理性近视。实验结果表明，EPCA-Net在病理性近视检测方面优于现有方法。作者还尝试了将预训练的自然图像模型适应为病理性近视检测的方法，并取得了有竞争力的性能。

该研究使用红外显微光谱和深度学习的二维模型进行乳腺癌分类和生物标志物水平预测，有望成为乳腺癌筛查分析技术并帮助优先治疗患者。

该研究提出了一种基于 U-Net 的深度学习方法，利用加性和特征金字塔注意力模块对 MRI 图像中的前列腺区域进行分割，可以改进前列腺癌的检测和诊断工作流程。该方法在测试集中实现了平均 DSC 为 84.15% 和 IoU 为 76.9%，表现优异。

本文介绍了BNS-Net，一种双通道讽刺检测模型，通过考虑行为和句子冲突来识别文本中的讽刺，取得了最先进的性能。

神经网络在蒸馏数据上训练时会产生过于自信的输出，需要通过温度标定和混合等校准方法进行修正。本文提出了掩码温度标定和掩码蒸馏训练方法，可以缓解蒸馏数据的限制，实现更好的校准结果，并保持数据集蒸馏的效率。