本研究提出了一种通用的可理解性度量方法，旨在解决代理与人类合作中的可理解性不足问题，指导代理生成更易于人类理解的信息，并为未来研究奠定基础。

本研究提出了一种新颖的度量方法，成功聚类了1768900个多项式连续分数公式，识别出许多已知及新发现的数学常数，显著提高了公式发现的效率。

本文介绍了一种新的度量方法CRV，用于评估自我监督语音表示的属性。研究发现，CRV与语音测试精度呈正相关。

本研究探索了大型语言模型（LLMs）解决长篇数学问题的能力，并提出了新的度量方法，改善了LLMs在解决这类问题上的表现。研究结果表明，该方法不仅在小学数学问题上取得了改善，还为将LLMs应用于复杂的现实应用提供了实际解决方案。

本文提出了一种评估视频摘要的方法，通过文本表示和NLP度量方法来衡量其与基准文本摘要的语义距离。该方法具有更高的人类判断一致性，并提供了公开可用的视频数据集的文本注释和基准文本摘要。

研究人员通过检验131个不同的DL体系结构，并在三个医学图像数据集上捕捉性能-资源权衡的趋势，引入了一种新的度量方法来估计每个资源单位的性能。他们还展示了使用预训练模型可以显著减少计算资源和数据要求，希望这项工作可以鼓励开发更小的资源占用方法和模型，提高AI的公平性。

本文介绍了一种基于群集相似性的车辆再识别方法，利用附近车辆信息提高准确性。实验结果在VeRi数据集上相对改进了204%。讨论了车辆在相邻摄像头间的位置变化对识别效果的影响，并提出了两个度量方法。该方法适用于桥梁场景和其他场景。

最近的研究发现，语言模型中的激活可以通过稀疏线性组合来建模。研究者开发了度量方法来评估这些稀疏编码技术的成功，并测试了线性和稀疏假设的有效性。研究结果显示，语言模型的激活可以准确地被特征的稀疏线性组合所建模，且模型的激活在第一层和最后一层似乎是最稀疏的。

该研究提出了一种新的度量方法，用于评估生成网络的建模能力。该方法使用树状图来比较真实数据和生成数据之间的差异，特别关注无法捕捉训练集中所有模式的生成器。验证结果表明该方法具有竞争力。

本文提出了一种实用鲁棒性度量方法，针对14个算法和CO问题进行了广泛实验，发现最先进算法在难例上性能下降超过20％，引起对组合优化求解器鲁棒性的担忧。

该论文提出了一种新的基于概率方法的度量方法，用来评估生成模型的忠实度和多样性。该方法已在玩具实验和最先进的生成模型上进行了广泛研究，并可在GitHub上获得代码。

本文介绍了一种新颖的度量方法DTW+S，用于测量时间序列数据之间的距离或相似性。该方法创建了一个可解释的时间序列“接近保持”矩阵表示，并应用动态时间规整来计算这些矩阵之间的距离。研究人员可以使用该方法来查找相似时间点附近发生的相似趋势，并在集成构建和流行病曲线聚类中应用。此外，该方法在某类数据集上的分类效果更好，特别是当局部趋势而非尺度起决定性作用时。