本研究提出了Tokenadapt分词器移植方法和多词超标记的预分词学习，以提高预训练语言模型在多语言应用中的效率。实验结果表明，Tokenadapt在保持语义的同时显著降低了重新训练的需求，表现优异。

本研究提出了一种创新的缺失值填补框架，结合主成分分析与量子辅助旋转，显著提升了临床数据缺失值重构的可靠性，对医疗和人工智能领域的数据处理具有重要意义。

本研究提出了一种新颖的逻辑基础分解方法（LBBD），有效解决了接送问题中的车辆中途装载交换和时间窗口问题，显著提高了最优性差距，并结合改进的大邻域搜索（LNS）算法，展示了在更大实例中的可扩展性和应用潜力。

本研究探讨了动态启发式在搜索中的复杂性，系统化了相关概念。通过通用算法框架对A*算法建模，得出了普遍最优性结果，为经典规划提供了新的视角。

本研究解决了顺风车分配算法开源不足的问题，提供了集成多种算法的模拟器和优化的C++代码库。新提出的多轮线性分配与循环交换算法在服务率和计算时间上表现优异，展示了利用未来信息克服系统瓶颈的潜力。

本研究提出了一种基于强化学习的新方法，解决了领域无关动态规划中的搜索不足问题。实验结果显示，该方法在多个基准领域上显著优于传统的DIDP和贪婪启发式方法。

本研究针对当前自动化调查生成中，LLM生成的调查与人类撰写的调查在大纲质量和引用准确性上的显著差距提出了解决方案。引入SurveyForge，该系统通过分析人类编写的大纲逻辑结构来生成大纲，并利用高质量的论文进行内容生成和优化。同时，通过构建SurveyBench，对AI生成调查在参考文献、大纲和内容质量三个维度进行全面评估，实验结果显示SurveyForge在性能上优于之前的研究。

本研究解决了大型语言模型（LLM）在复杂规划任务中的不可靠性问题。我们提出了一种自动启发式发现（AutoHD）的新方法，使得LLM能够明确生成启发式函数，从而指导推理过程中的搜索并准确评估中间状态，不需要额外的模型训练或微调，显著提高了规划的准确性和可解释性。大规模实验表明，该方法在多个基准测试中显著优于其他方法，特别是在某些数据集上准确率几乎提高了一倍。

本研究解决了现有规划任务系统忽视任务描述中丰富语义信息的问题，提出了一种新颖的规划方法，利用大型语言模型（LLMs）的参数化知识作为爬山搜索的启发式指导。研究发现，该方法在家庭环境中的任务成功率比类似系统提高了22个百分点，并生成始终可执行的计划，展示了省略中间语言翻译步骤的潜力。

本研究解决了将战略框架与决策启发式整合的不足，通过语义分析提出了新方法。论文的创新在于利用先进的自然语言处理技术，成功将6C模型与三十六计整合，提供了一种通用的方法论，从而实现框架与启发式的有效结合，为企业战略提供可操作的指导。

本研究针对大型语言模型（LLMs）在政治问题上的人类意图与价值对齐的难题进行探讨，填补了LLMs偏离经验立场的原因及条件研究的空白。采用认知科学中的代表性启发式理论，实验结果表明，LLMs在模仿特定政党的立场时，常常比人类受访者更夸大这些立场，揭示了LLMs对政治刻板印象的脆弱性，并提出了有效的基于提示的干预策略，以减少代表性对LLMs响应的影响。

本研究解决了深度神经网络在对抗攻击下鲁棒性不足的问题。提出了一种基于标准差的正则化方法，旨在通过最大化模型输出概率的修改标准差来增强对抗训练的效果。实验结果表明，该方法能显著提升神经网络对更强攻击（如CW和Auto-attack）的鲁棒性，且改善了模型的泛化能力。

本研究提出PLRH框架，旨在提升大型语言模型在视觉问答中的表现。实验结果显示，PLRH在OK-VQA和A-OKVQA数据集上的性能分别提高了2.2和2.1个百分点，优于现有方法。

本研究提出NDR-QL方法，以解决Q学习收敛速度慢的问题。NDR模型的预测准确率提高了5%，收敛速度比基线快90%。

本文研究了人工智能与软件工程的融合，提出了一种迭代的方法论，证明了人工智能可以全面替代人类程序员进行代码创建和优化。该方法结合了大型语言模型与形式验证、测试驱动开发和渐进式架构指导，在SWE-bench基准上取得了38.6%的改进，挑战了对人类创造力的传统认知，展示了在实际工程中的AI优势。

本研究提出了一种启发式可逆网络HUPE，旨在解决水下图像可视性降低的问题。通过可逆变换和傅里叶变换，建立水下图像与清晰图像的双向映射，并引入语义协同学习模块，以提升视觉质量和特征提取能力。实验结果表明，HUPE优于现有方法。