本研究提出了一种名为TabulaTime的多模态深度学习框架，旨在整合空气污染与临床数据，以提高急性冠状动脉综合征的预测准确性。实验结果显示，该框架的预测准确性比传统模型提高了超过20%。

本文提出了一种基于用户偏好的视频摘要模型，利用多模态深度学习方法生成高质量摘要。研究解决了数据稀缺和个性化需求问题，采用无监督方法和创新评估流程，显著提升了摘要质量和性能。

本文提出了一种新框架，利用多模态深度学习技术实现阿尔茨海默病的早期诊断，准确率高达97.19%。研究结合MRI和PET图像，探索不同模态的融合，以提高诊断效果，并强调早期检测的重要性。

该研究提出了一种利用患者元数据选择医学影像正向对样本的方法，结合自监督对比学习，展示了多模态深度学习在心血管疾病诊断中的应用潜力。研究提出的C-MELT框架有效解决了模态差异和标注数据匮乏的问题，显著提升了跨模态表示的鲁棒性。

本文综述了多模态深度学习在医学图像分类和疾病检测中的应用，探讨了不同融合技术和模型的性能，提出了提高分类准确性的方法，并解决了语义不一致和对齐误差问题，推动了医学影像分析的发展。

研究表明，图神经网络在预测分子性质方面表现优异，尤其在聚合物的介电常数和能带隙预测中，精度接近DFT结果。新提出的多模态深度学习框架MMPolymer结合1D和3D信息，提升了聚合物性质预测的性能。

该研究探讨了多模态深度学习在医学图像与文本数据结合中的应用，提出多种方法以提高临床决策的准确性和效率。研究表明，通过模态融合和特征嵌入，即使在缺失数据的情况下也能提升预测性能，并验证了新算法在真实世界数据中的有效性。

本研究利用多模态深度学习架构进行欺诈检测，提升了检测准确度。通过分析伪造声音和音频特征，提出了新的数据集和方法，揭示了现有模型的局限性，并呼吁改进语音转文字服务中的幻觉问题，以确保公平性。

本文提出了一种新框架，利用多模态深度学习技术实现阿尔茨海默病的早期诊断，准确率达到97.19%。研究结合MRI和EEG信号，探讨半监督学习在数据稀缺情况下的应用，强调空间-时间特征提取的重要性，为早期检测提供新思路。

本文提出了一种双向分子基础模型，结合化学语言和物理化学特征，提升了分子性质预测的准确性。研究表明，该模型在生物降解性和PFAS毒性估计等任务中优于现有方法，且多模态深度学习有效克服了传统单模态学习的局限，为药物研发提供了重要指导。

这篇论文介绍了古代文本修复模型的研究进展，包括Pythia模型、一次学习文本定位方法和基于多模态深度学习的古代文字恢复模型。这些方法在字符识别和恢复方面显著提高了准确性，为古文献学提供了新的技术支持，推动了古代文字的数字化和理解。

本文探讨了可穿戴设备和机器学习在健康监测中的应用，重点关注心脏健康、抑郁症检测和压力监测。研究强调数据集的多样性和算法的泛化能力，提出了结合生理数据和自我报告的多模态深度学习模型，以提高情感状态预测的准确性。未来研究应关注数据稀缺和模型改进。

本研究提出了一种多模态深度学习模型，结合转换器编码器和预训练语言模型，能够准确预测大学生的情感状态。经过一年的纵向研究，该模型在预测积极和消极情感方面的准确率分别为82.50%和82.76%。模型的解释性增强了其有效性，对情感计算的应用具有重要启示。

本文介绍了多种基于大型语言模型（LLMs）和多模态深度学习的创新框架，如Tree-GPT、WorldGPT和FakeNewsGPT4，旨在提升数据分析、假新闻检测和图像质量评估的效率。这些模型在森林遥感、医学成像和科学成像等领域表现优异，展示了LLMs在复杂情境理解和预测中的潜力。

本文探讨了多模态深度学习在药物发现中的应用，提出了新的分子联合表示学习框架MolBind，结合SMILES和分子图信息，提高了分子性质预测的准确性和可靠性。同时，研究展示了多视角分子表示学习模型MV-Mol的优越性能，强调了多模态学习在捕捉分子特征和语义对齐中的重要性。

本文介绍了一种名为Rene的多模态深度学习架构，结合预训练语音识别模型和医疗记录信息，显著提升了呼吸事件检测和音频分类的性能。在ICBHI数据库上，该架构实现了23%的疾病预测分数提升，并开发了实时呼吸音辨别系统，适用于可穿戴设备。

本研究提出了一种新颖的多模态深度学习方法，结合循环神经网络和卷积神经网络，显著提高了航班客流量预测的准确性，均方误差降低约33%。强调了深度学习和数据处理在航班预测中的潜力。

本文提出了一种多模态深度学习算法，利用遥感图像和多语义信息检测城市感兴趣区域的围栏多边形。实验结果表明，该算法在城市规划和环境监测等领域表现优于现有方法，并展示了建筑物识别和分割的创新应用，为未来研究奠定基础。

本研究探讨了基于场景图的胸部医学影像数据集，提出多种方法提升胸部X光和CT图像的分析与生成能力，利用自然语言处理、预训练模型和多模态深度学习框架，显著改善医学图像与报告的对齐和生成效果，推动医疗人工智能的发展。