本研究探讨大型语言模型（LLM）在经济市场实验中模拟人类行为的潜力。通过引入记忆机制和高变异性设置，LLM能够捕捉人类行为的趋势，但在细节上仍存在差异，需进一步研究以提高准确性和多样性。

本研究解决了在软件产品线背景下生成用户故事集的需求缺口，提出了一种结合三元概念分析和大语言模型的新方法。该方法通过计算3维变异性和提供设计选项，帮助设计师选择并验证所需的用户故事集，进而实现更高效的系统开发。

该研究提出了一种新型时间三重变换器（T3T），有效解决视频问答中的非线性交互问题，显著提升了准确性和深度。

本研究探讨了大型语言模型在情感分析中的模型不确定性与变异性，分析其导致的不一致情感分类问题，并提出缓解策略。强调可解释性在提升透明度和用户信任中的重要性，以推动情感分析在金融、医疗等高风险领域的应用。

本研究针对使用DistilBERT模型进行文本分类的微调策略进行了评估，重点探讨超参数如学习率、批量大小和训练轮数对模型性能的影响。研究发现，超参数之间的相互作用显著影响模型各项评估指标，特别是在非线性超参数交互方面的微调策略能有效平衡不同性能指标的权衡，具有广泛的应用潜力。

本研究解决了语言模型响应可靠性评估中的一个问题，特别是针对建立响应的变异性与错误之间的联系。提出了一种新的方法——通过对样本响应的适应性进行标注，估计模型对适当响应的概率 (PROBAR)，经验证明PROBAR在评估模型信任度方面优于语义熵，表明其在开放式设置中的有效性。

本文探讨大型语言模型（LLMs）中的语言泛化机制，特别是英语形容词名词化的变异性。研究表明，类比模型在处理变异性名词化时优于基于规则的模型，强调了类比过程在LLMs语言泛化中的重要性。

本研究解决了印尼自动语音识别模型在多样语音特征下的转录准确性不足的问题。通过构建包含多样语音变异性的印尼数据集，并评估最先进的MMS和Whisper模型，发现Whisper微调模型在不同语音变异组中的表现最佳，显著降低了字错误率（WER）和字符错误率（CER）。研究还表明，发音风格的变化对模型性能的影响最大。

本研究解决了现有多属性群体决策方法中忽视专家意见冲突的问题，提出了一种证据MAGDM方法，以评估观察者间的变异性并处理专家之间的不确定性。通过生成基本概率分配方法和建立有序加权信念偏差测量，捕捉可选方案的整体信息。此外，本框架在使用光学相干断层成像诊断视网膜疾病的集成分类特征融合中展示了其实际应用潜力。

该研究探讨了BERT微调中随机种子、权重初始化和训练数据排序对结果的影响，并提出最佳实践。通过引入分层噪声稳定性正则化（LNSR）等技术，显著提升了自然语言处理任务的泛化能力和稳定性。同时，研究分析了词元嵌入的非各向同性问题，提出了DefinitionEMB方法，改善了低频词的模型性能。

本研究提出了一种基于贝叶斯近似误差的方法框架，用于估算部分观测气溶胶注入特征中的不确定性问题。通过利用能源超算地球系统模型（E3SM）的特定模拟，建立了一个全面的数据生成、处理、降维、算子学习和贝叶斯反演的框架，提升了全球平流层建模的能力和对气溶胶源估计的不确定性评估。

该研究使用可穿戴监测技术评估次要职业学生的认知负荷，通过分析脑电图数据和心率变异性数据，发现该方法在评估认知负荷和不同任务中具有应用价值，实验证明了其有效性和可转移性。该研究对优化教学资源配置和认知负荷评估方法具有重要意义。

本文介绍了DEX-TTS模型，一种基于扩散的表达性语音合成模型，用于合成自然语音。该模型通过提取参考语音中的风格来增强风格表达能力，并设计了高泛化能力的编码器和适配器。DEX-TTS在多说话人和情感多说话人数据集上取得了出色的性能，无需预训练策略。

本文介绍了一种从单个阴影图像中重建形状的多模态分布模型，通过训练一个小型去噪扩散过程生成表面法线场，并根据形状一致性约束进行引导。该模型能产生多稳态形状解释，并对特征性遮挡轮廓较少的物体图像也能产生真实的形状估计。研究为随机3D形状感知提供新的启示。

本研究评估了新型扩散模型的性能，发现基于W1KP方法在精确性方面胜过其他基线模型最高达18个点。同时，利用W1KP研究了提示语的可重用性，并通过分析提示语的语言特征发现长度、嵌入向量范数、具象度和词义影响图像的可变性。

本文提出了一种新的网络相似性统计量，用于指导深度神经网络训练中随机种子的选择。通过鲁棒的假设检验，展示了该统计量在实验中的价值和在迁移学习中调优相比随机种子选取的优势。

本研究提出了一种称为PopuSense的改进模块，通过引入人口层面的上下文并运用图论方法，将其整合到自动编码器的潜在编码中，以捕捉生物医学数据中卷积模型可能忽略或平滑的额外组内变异。实验结果表明，PopuSense在对比度和纹理为基础的图像上展现了更好的可分性，为模型所学习的表示提供了额外的改进途径。

这篇文章揭示了深度图神经网络中的超平滑和特征过相关性的新理论洞见，并提出了一种防止这些问题的方法。研究发现，节点表示受到低维子空间的影响，与特征变换无关。实证结果表明现有模型无法捕捉线性独立特征。

该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生来说，大学 GPA 对预测具有更高的价值。