本研究提出了LanSAGNN框架，旨在提升图神经网络在处理图结构和文本信息时的有效性，显著增强节点关系的交互捕捉能力，实验结果表明其具有较强的鲁棒性。

本研究提出了一种新的双曲面扩散推荐模型（HDRM），旨在克服扩散模型在推荐系统中的局限性，尤其是在处理物品的各向异性和方向性结构方面。实验结果表明，该模型在多个数据集上显著提高了推荐性能。

本研究提出了一种新方法，通过引入衰减各向异性径向基函数（DARBFs），提高了基于Splatting的3D重建技术的效率，收敛速度提升34%，内存消耗降低15%，同时保持重建质量。

本研究提出了一种新的3D几何形状编码方法，旨在提高几何处理效率并减少数据损失。研究通过变分形状推理和新模型，展示了在三维物体表面重建中的优越性，特别是在处理复杂拓扑和提升重建性能方面的表现。

该研究通过引入句法先验，提出了一种新的句法平滑方法，解决语言模型预训练中频率偏差和各向异性导致的泛化能力不足问题。此方法改善了稀有英语Token的表现，并降低了各向异性。

本研究解决了因技术限制导致的MRI扫描各向异性数据问题，影响了诊断准确性和体积分析。提出了一种新的方法SIMPLE，通过同时多平面自监督学习从各向异性数据中重建各向同性的高分辨率图像，显著提升了图像质量和临床诊断能力。实验结果显示，SIMPLE在量化和半量化评估中超过了现有的先进方法。

本文探讨了利用数据驱动的方法构建分布式动力系统的简化模型（ROMs），结合近似惯性流形理论和机器学习工具，避免复杂的数学推导。研究了流形学习技术在潜在变量集发现中的应用，并通过实例验证了该框架的有效性，展示了其在数据分析和动态系统建模中的优势。

本文提出了一种基于任务向量的神经网络新范式，强调权重分离在任务算术中的有效性。研究表明，向量表示方法能提升类人智能的认知能力，并提出了高效的多任务学习方法ScaLearn，显著减少参数传递。此外，介绍了'SYN2REAL'任务向量，改善了语音识别领域的适应性，降低了词误差率。最后，探讨了多任务学习中的线性标量化与多目标优化的关系，揭示了SMTOs的潜力。

本文提出了一种新型对抗背景攻击的防御框架，利用攻击者隐藏后门模式的能力，学习更强大的模式以抵抗攻击。通过对抗遗忘机制，深度神经网络在多种数据集上表现优异。此外，研究了记忆型持续学习算法的对抗鲁棒性，提出新方法以提高准确性，实验结果显示该方法在多种威胁模型下表现出色。

本文将Transformer视为相互作用的粒子系统，描述了学习表示的几何特征，证明了表示中的粒子会在时间趋于无穷时聚集到特定的极限对象，这取决于值矩阵的谱。同时，在一维情况下，证明了自我关注矩阵收敛于低秩布尔矩阵。这些结果证实了在Transformers处理标记时会出现“leader”。

通过基于二维显微图的条件扩散生成模型的空间连接，提出了一个重建各向异性微结构的框架，能够将噪声转化为三维微结构样本，并提高样本质量，保持样本在三维空间中的空间连接。验证结果表明，该框架能够再现材料相的统计分布和三维空间中的材料性质，为高通量材料设计提供了帮助。

本文介绍了一种使用去噪扩散概率模型对低分辨率磁共振图像进行超分辨率重建的新方法AniRes2D。实验结果表明AniRes2D在定量度量、视觉质量和跨域评估等方面优于其他模型。研究还探索了噪声条件增强作为替代增强技术，但发现会降低性能。这些结果对各向异性磁共振图像的超分辨率重建应用有价值。

本研究分析了变形器模型的注意力层，探讨其优劣势及内在复杂度参数。发现循环网络和前馈网络复杂性随输入增大而多项式增长，变形器则对数增长。同时指出大嵌入维度在变形器中的重要性。提出三元组检测任务，注意力层复杂性线性增长，但实际应用少见。研究强调通信复杂度在分析变形器模型时的价值。

该文介绍了一种使用TSDF方法从RGB图像中实现三维重建和语义分割的方法，并在Scannet数据集上得到了超过基准结果的评估。

该研究探讨了扩散张量在图像分析、物理和工程领域中的重要性，并提出了一个有限差分离散化公式，证明了其广泛适用性。该研究还将显式方案转化为 ResNet 块，并在 GPU 上实现了高效的并行计算。

Bert词向量存在各向异性，高频词分布狭小，低频词训练不足，导致计算相似度存在问题，可以采用cos正则、高斯分布等方法纠正。