本研究解决了现有深度学习模型在轨迹预测中预测不可信和不合理的问题。我们提出了一种新方法，结合了所有交通参与者类别的交互和运动学先验，通过特定于类别的交互层来捕捉行为差异，同时引入了基于规则的交互重要性评分DG-SFM，以提高交互的可解释性。实验结果表明，尽管准确率略有下降，但我们的方法消除了数据集中不合理的轨迹，从而增强了轨迹预测的可信度。

本研究解决了3D物体生成器在美学质量和物理约束之间的平衡问题，提出了直接模拟优化（DSO）框架，通过使用来自非微分模拟器的反馈，直接提高3D生成器输出稳定物体的可能性。研究表明，用DPO或DRO目标微调后的生成器在速度和生成稳定物体的概率上均优于传统的测试时优化方法，且无需训练时依赖真实的3D物体。

本研究解决了在大型语言模型中有效识别简单事件的语义合理性这一技术空白。我们通过精细化的实体类型和事件类型知识为模型注入外部知识，增强其性能；实验结果表明，这种方法显著提升了事件的语义合理性建模能力，对实际场景应用具有潜在影响。

本文研究双向语言模型编辑，提出了一种新的可逆性评估度量，并构建了一个基准来评估编辑后模型在回忆编辑的知识反向方向上的可逆性。实验证明BIRD在四个不同规模的语言模型上的有效性。

本研究调查了预训练的多模态模型 CLIP 在识别抽象视觉艺术所引发的情感方面的认知合理性。我们使用包含带有情感标签和人类注释员提供的文本证明的图像的数据集进行研究。我们对证明进行语言分析，对图像和证明进行零 - shot 情感分类，并应用基于相似度的情感预测，研究颜色 - 情感交互作用。在识别抽象图像和证明的情感方面，CLIP 的准确度相对较低，但高于基准水平，这表明 CLIP...

本研究提出了一种新的基于能量消耗估计的CNNs剪枝算法，能够降低AlexNet和GoogLeNet的能量消耗。

研究人员提出了一种DLAT+算法，实现多样化的人脸年龄转换，包括面部纹理和形状的转变。通过一致性限制和新的评估标准(IDAG)，保持合理的身份变化。实验结果证明了该方法在合成多样且感知合理的人脸方面的独特性和有效性。

对于不确定信不信的事物，如果使其先付出不可回收的代价，人会倾向于让自己相信付出代价的合理性。这种行为或许是出于难以割舍的对沉没成本，也或许是出于避免认知失调，保持与自己认知的一致。例如一个人如果已经给