本研究提出K-Flow生成学习范式，通过K幅度分解实现动态生成控制，能够在不同尺度上调节信息。实验结果表明，K-Flow在无条件和条件图像生成及分子组装中有效控制生成图像的分辨率。

本研究提出相位-幅度解耦（PAD）框架，以解决合成孔径雷达与RGB图像在土地覆盖分类中的融合问题，显著提升特征一致性和融合效果。实验结果表明，PAD在遥感多模态融合中表现优异。

本研究提出了一种新方法，通过层级相关传播提升输入神经元的相关性评估，应用于视觉变换器架构。结果表明，该方法在图像分类任务中优于现有技术，并引入了新的评估指标，增强了归因方法的全面性。

本研究探讨了迭代幅度剪枝（IMP）在全连通神经网络中的机制，发现IMP通过增强网络的非高斯统计特性促进局部感受野的形成，揭示其在强归纳偏见中的潜在作用。

本研究提出了一种新型深度学习架构AmpliNetECG12，旨在快速准确地检测心脏疾病。该模型通过改进激活函数和共享卷积核权重，降低了复杂性，准确率达到84%，在心律失常分类中表现优异，具有临床应用潜力。

本文提出了一种新方法，通过全球确定性运动与局部随机变化建模降水系统，解决降水预测中的不足。实验结果表明，该方法优于现有技术，代码将公开。

本研究提出双重对抗训练方法，通过优化对抗幅度生成器，提高深度神经网络的鲁棒性，同时保留关键模式。实验表明，该方法显著增强了模型对多种对抗攻击的抵抗力，具有重要实用价值。

本研究提出了一种新方法——豪斯霍尔伪旋转（HPR），用于解决大语言模型（LLMs）激活编辑中的效率和一致性问题。该方法通过方向和幅度的视角对激活进行编辑，保证了激活的规范性，并在多项安全基准测试中实现了性能的显著提升。

本研究提出了一种新颖的通用语音恢复模型：双路径幅度(DM)网络，旨在有效解决噪声、混响和带宽退化等多种失真问题。DM网络通过参数共享的双并行幅度解码器实现失真去除和语音恢复，且通过跳跃连接集成掩蔽解码器的幅度谱图输出，显著提高了恢复能力，实验结果表明DM网络在语音恢复的综合性能上优于其他基线模型。

通过利用光谱幅度和导数特征的互补信息，我们提出了一个基于幅度 - 导数双编码器的内容驱动光谱互补网络，通过自适应融合方式巧妙地将这两个特征结合在一起，提取更加可区分的特征，从而在广泛的数据集上取得了最先进的结果。

隐私保护机器学习模型取得进展，但仍存在隐私漏洞问题。研究提出了SRCM解决方案，减轻成员隐私泄漏，改善模型隐私漏洞。

FedMap是一种通过协作学习稀疏全局模型的新方法，提高联邦学习系统的通信效率。它使用迭代的振幅剪枝方法训练全局模型，实现稳定的性能表现。FedMap在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在IID和非IID环境下的性能，并相较于基线方法，FedMap能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现80%的剪枝。

研究人员提出了一种新颖的四元数激活函数，通过修改四元数的幅度或相位来替代常用的分裂激活函数。实验结果表明，影响相位的四元数激活函数在CIFAR-10和SVHN数据集上始终提供更好的性能。

该研究介绍了一种数据融合建模方法，可以识别不同数据源的共同特征并考虑源特异性变异。通过实验发现，对于打乱的脸部，与真实脸部相比，大约 170ms 后颞叶面区的激活性有所改变，特别在多模态、多主体模型中更为明显。研究还证明了该方法在模型参数推断方面的可比性和执行速度优势。该研究提供了一个易于访问的工具箱，为数据融合提供了一个有希望的新途径。