大型语言模型可以通过为较小模型提供指导，帮助其在推理任务中表现更好。研究评估了不同模型大小并发现大型模型可以提高性能100%以上。

本文介绍了ECNU-GNN模型，通过边缘条件节点更新来改进图神经网络，提高了目标节点的表示。在三个真实数据集上验证，相比最佳基线模型，性能提高了5.4％，12.4％和6.0％。

该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性。研究者通过简单的视频游戏展示了该架构的实现原型，结果表明它能够有效地学习并提高性能。

研究发现预训练代理器在面对全新设计时可能偏离轨道，对搜索轨迹产生不利影响。提出了ABC-RL，通过调整α参数来优化搜索过程。ABC-RL在硬件设计中提供了优越的综合方案，改进了合成电路质量结果，性能提高了24.8%。与最先进方法相比，ABC-RL减少了9倍的运行时间。

本研究提出了一种通用的多尺度框架，可改进基于Transformer的时间序列预测模型的性能。研究结果表明，该方法可将性能提高到38.5％，且优于基线模型。

2023年12月下旬，CPython核心开发人员Brandt Bucher向Python 3.13分支提交了一个添加JIT编译器的请求。JIT是一种按需编译的设计，可以在代码第一次运行时进行编译。初步基准测试显示性能提高了5-9%。

本文提出了一种新模型CT-TN，使用文本和网络特征进行多模态嵌入，解决社交媒体中的跨目标立场检测问题。实验结果显示，CT-TN相比现有基线模型，平均性能提高了11%至21%，并且在看到300个目标实例后能够胜过其他模型。网络交互分析表明，利用社交特征进行跨目标立场检测具有潜力。

本研究提出了神经网络设计选择，对白内障手术进行了研究，并在三个语义分割任务中取得了强大的性能表现。通过处理类别不平衡问题，实现了在最稀有的工具类上的显着性能提高。代码和训练好的模型可在链接中找到。

本研究评估了使用基础模型的预训练知识作为FL模型初始化的教师对FL模型性能的影响。结果显示，在胸部X光肺分割任务中，FL模型初始化指导下的FL能更快收敛，并在复杂数据情境中提高性能。为FL中的模型初始化提供了新的视角。

该论文提出了一种新的方法，将数据集提炼的过程从传统的像素空间转移到潜变空间，以提高性能并降低时间和空间开销。通过使用预训练的通用自动编码器对潜变空间中的潜变编码进行编码，解决了高时间复杂度、高空间复杂度和低信息紧凑性的问题。

大型语言模型可以通过预测生成理由来解决复杂的推理任务。较小的模型在推理方面主要因为难以启动过程而失败，引导它们朝正确的方向发展可以使性能提高100%以上。

本文介绍了一种基于掩码图像建模的MAE-lite pre-training方法，用于轻量级ViTs的pre-training。通过与其他方法进行对比，分析了该方法的影响，并揭示了pre-trained模型在数据充足的下游任务中的重要作用。同时，开发了一种distillation策略来提高pre-trained representations，从而实现更好的性能。

本文评估了多种机器人任务中的学习和手工工程化表示方法，并从维度、可观测性和分离度三个方面进行评估。结果表明，这些方法可以显著提高性能，并挑战了控制机器人“好”表示的见解。

该论文提出了一种新的上下文多模态对齐（CAD）网络，通过引入无参数随机上下文块来确保空间级别上的稳健音频和视觉对齐，提出了一种用于动态音频和视觉对齐的预训练技术，以及引入了交叉注意机制来平衡语义级别上的音频和视觉信息。该 CAD 网络相对于现有方法平均性能提高了 9.4％，并且将该建议添加到现有方法中可以提高其性能，而不需要额外的复杂性要求。

该研究探讨了主题度量在态度分类中的有效性，发现主题度量优于情绪度量，可以提高高达18.95％的性能。情绪和主题度量的组合可以实现最佳性能，并且可以进一步解决仅依赖情绪以及主题度量低一致性得分的局限性。

该文介绍了一种名为RAILD的预测方法，能够学习未见实体和关系的表征，实验表明RAILD在知识图谱任务上性能显著提高。

本文提出了一种适配器方法，可在多个不同领域中提高性能，同时提供了推理时间算法来推出新领域的泛化性能，成本较低。

本文介绍了一种新的FSDB采样技术，用于水文时间序列预测中的分解模型，避免引入未来信息。在三个站点中，使用该技术的VMD-based混合模型的预测效果比目前最先进的采样技术提高了6.4％至28.8％不等。