本文研究了语言模型中的离群维度，这些维度在大多数输入中表现出极端激活。研究表明，离群维度在多种现代语言模型中普遍存在，并提出了一种模型方法以抑制这一特征。

本研究解决了实际控制系统中由于模型不确定性和外部干扰而导致的最优控制策略识别困难。提出的鲁棒确定性策略梯度（RDPG）算法将$H_\infty$控制问题建模为一个二人零和动态博弈，通过深度强化学习实现了有效的干扰抑制。实验表明，该方法在干扰环境中具有优越的鲁棒性，能够在严重干扰条件下精确实时地跟踪移动目标。

使用1米长数据线时，STC单片机因信号干扰导致接收数据死机。通过串联100Ω至1kΩ电阻并并联470pF电容，成功稳定信号，解决了死机问题。

本研究解决了ECoG信号在言语运动中的激活-抑制动态关系的分析问题。通过主成分分析模型，研究揭示了言语相关活动与主成分之间的时空关系，发现两种组件足以有效表示言语运动的传感运动皮层活动。该研究的主要发现为理解言语运动中的神经机制提供了新见解，并可能推动脑机接口技术的发展。

本研究探讨了非极大值抑制（NMS）在目标检测中的应用，提出了多种改进方法，如Soft-NMS和基于分组的可微分NMS，显著提高了检测精度和效率。同时，研究分析了对抗性样本攻击对检测系统的影响，并提出基于置信传播聚类的检测方法，以提升检测框的准确性。

本研究提出了一种基于物理启发的转换器模型，旨在处理大气湍流引起的图像失真。通过深度学习方法，开发了深度大气湍流抑制网络（DATUM），显著提高了图像恢复的效率和质量。此外，研究结合动态湍流和静态背景，改善了图像质量和视觉任务的性能。

本研究探讨了量子神经网络（QNN）在高噪声量子计算机上的状态辨别效果，提出了新的电路技术并验证其在量子生成对抗网络中的应用。结果表明，参数化量子电路（PQC）在生成任务中优于经典神经网络，显示出在量子机器学习中的广阔前景。通过结合经典与量子算法，优化了学习任务并提高了鲁棒性，为量子机器学习应用奠定基础。

本文介绍了一种自适应的弱监督语义分割方法，通过划分图像内容为确定性区域和不确定性区域进行分别处理，提高准确性。方法采用激活掩膜策略和自我增强方法，在PASCAL VOC 2012和MS COCO 2014上的效果优于基准方法。

本论文提出了一种名为RAUNE-Net的UIE网络，利用深度学习中的残差和注意机制，提高了水下图像增强的性能。实验证明该方法在真实水下图像上表现出有前途的客观性能和一致的视觉结果。

本文提出了一种基于置信传播聚类的物体检测方法，通过信息传递机制去除冗余的检测框并增强真正的正类检测框。该方法能够提高各种主流检测器的平均精度，无需重新训练检测器。