本研究解决了在颜色表示等高维数据中定义极大值和极小值的挑战。作者提出了一种新方法，通过将极大值替换为对数求和指数近似，从而实现了高维情况下的联想性，同时探讨了最小性特征。这项工作有潜力推动颜色形态学在更复杂数据处理中的应用。

本研究针对弥漫大B细胞淋巴瘤的ABC与GCB亚型进行自动分类，提出的深度学习模型在交叉验证中表现优异，平均曲线下面积达到87.4%。研究表明两者在几何和颜色特征上差异不大，强调了该方法在亚型分类及患者治疗管理中的重要性。

本文研究大型语言模型（LLMs）中的语言泛化机制，特别是英语形容词名词化的变异性。结果表明，类比模型在处理变异性名词化方面优于基于规则的模型，强调了类比过程在语言泛化中的重要性。

本研究探讨了形态学类型学对分词和语言建模性能的影响，发现合成语言在BPE分词中表现更佳，揭示了二者之间的相关性。

形态学分析在表型药物发现中至关重要。高通量自动成像和机器学习的进步推动了细胞形态特征的分析，促进了药物重用和新疗法的发展。本文综述了形态学分析的流程、策略及数据集，强调深度学习在细胞分割和图像学习中的应用，并探讨了该领域的挑战与机遇。

本文介绍了一种通过高资源单语言模型翻译来改进词素分析的方法。该字符级序列到序列模型在无资源情况下表现良好，但在高资源环境中结果不稳定。然而，在资源极少时显示出潜力。

研究分析了分词对多语种语言模型形态知识的影响，比较了mT5和ByT5在不同语言上的形态学理解。结果表明，中晚层编码的形态信息显著影响模型表现，尤其在处理不规则语言时，增加预训练数据能提升效果。

Brainchop是一款前瞻性的浏览器神经影像工具，采用全脑深度学习模型进行结构性MRI体积分析。具有可扩展性、低延迟、易操作、跨平台兼容性和高可访问性。通过稳健的MeshNet架构，在资源受限的浏览器环境下，可实现客户端处理体积数据。

为了缩小通用程序的灵活性与神经形态硬件效率之间的差距，本文提出了一种定制的用于神经形态硬件的数据流模型，名为神经形态数据流，通过引入 “when” 和 “where” 原语进行控制流的重构，结构紧凑且符合神经形态硬件的要求，在实现可编程性和塑性的同时充分利用硬件的潜力。

形态学分析在表型药物发现中起着重要作用。机器学习和深度学习的进展推动了形态学分析的发展，包括复合物的作用机制研究、药物重用、细胞形态动力学的表征和新型治疗药物的发展。本综述总结了形态学分析流程、分析策略和可获取的基准数据集，并强调了深度学习在细胞分割、图像表征学习和多模态学习中的应用。同时，阐述了形态学分析在表型药物发现中的应用和面临的挑战和机遇。

本研究探讨了神经形态计算和边缘计算相结合的潜力，创建了一个适用于处理动态视觉传感器捕获数据的多功能机器学习系统。通过混合使用PyTorch和Lava框架构建和训练了混合模型，融合脉冲神经网络（SNNs）和人工神经网络（ANNs）。研究结果表明，混合脉冲神经网络在所有指标上均优于基准人工神经网络模型，并在准确性和延迟方面优于基准脉冲神经网络模型。

本文介绍了一种无监督领域自适应方法CORAL，通过对齐统计信息来减小领域偏移，不需要目标标签。CORAL还扩展到非线性转换对齐深度神经网络中的层激活的相关性。

这项研究介绍了一种利用土壤的三维微计算机断层扫描图像模拟有机物质微生物分解的新的计算方法。该方法利用一个连接的体素的评估图来模拟微生物分解过程中涉及的转化和扩散过程。该模型可被用于模拟多孔介质中的任何扩散 - 转化过程。我们实施了并行化策略，并探索了不同的数值方法，包括隐式、显式、同步和异步方案。为了验证我们的方法，我们将模拟输出与 LBioS 和 Mosaic...

本论文研究了基于预训练语言模型的语用能力，特别关注话语连接词。通过填空测试发现，模型在自然发生数据下能预测连接词，但对孤立高级语用线索的灵敏度较低，也没有人类时间偏好。研究结果显示，目前主流预训练模型无法具备实质性的语用能力。

腐蚀、膨胀、开运算、闭运算、梯度运算、顶帽运算和黑帽运算是图像处理中常用的操作。通过使用不同的操作，可以实现图像的收缩、扩张、抹除细节和噪音等效果。以上操作可以通过使用OpenCV库中的相应函数来实现。

该论文提出了一种新的系统解决方案，称为神经形态的无线设备边缘协同推理，用于下一代无线系统的重要应用。该解决方案使用神经形态硬件运行设备的感知、处理和通信单元，通过减少通信开销并保留与语义任务相关的重要信息来提高效率。实验结果验证了该架构的有效性。

研究发现脉冲神经网络（SNNs）和联邦学习（FL）在使用神经形态数据时易受后门攻击。新型攻击策略增强了攻击的有效性和隐蔽性，进一步证明了部署SNNs和FL时需要稳健的安全措施。

本文介绍了脉冲神经网络（SNNs）作为深度神经网络的替代方法在信号处理应用中的广泛应用，包括静态和时间输入的处理。同时，讨论了SNNs的训练和扩展方法以及算法-架构共设计的最新研究成果。此外，还探讨了开发基础硬件和构建可部署SNN系统的挑战。