本研究质疑专家混合模型（MoE）路由器对语义特征的依赖，强调位置标记信息在路由决策中的重要性，并通过实证分析进行了验证。

本文介绍了神经符号能量模型（NeSy-EBMs）及其在神经和符号方法联盟中的潜力。NeSy-EBMs用于建模概率和非概率NeSy方法，并介绍了其学习技术和神经概率软逻辑（NeuPSL）。实证分析展示了NeSy-EBMs在多个任务中的优势。

本研究系统地研究了联邦参数效率微调策略在医学图像分类中的应用。通过实证分析，确定了最佳的联邦 PEFT 方法，并理解了数据分布对其的影响。在处理域外和非独立同分布数据时，需要权衡准确性与效率。因此，在联邦 PEFT 中初步模型的选择非常重要。

研究发现颜色感知和颜色语言之间存在一致性，但在主观性和抽象性的情况下降低。

本文介绍了一种更现实的异质性模型，证明了分布式学习算法的学习误差存在下界，并推导了一个强鲁棒的分布式梯度下降算法的上界。实证分析表明，该方法能够减小理论和实践之间的差距。