该研究提出了一种新策略，针对在线社交网络中有限信任对影响力传播的影响。通过控制理论优化多代理目标选择，实验证明该方法在改善舆论和减少极化方面优于传统方法。

本文探讨了通过检测极化社区来解决社交系统中的敌对关系和信任问题，提出了一种基于Frank-Wolfe优化的局部搜索方法，实验结果表明该方法在质量和计算效率上优于现有技术。

本研究提出了一种适用于现代无线电干涉仪的在线无线频率干扰（RFI）抑制方案。该方法结合信号能量和极化对齐统计信息，有效检测低占空比RFI，提升数据处理效率。

本研究提出了一种离散选择模型，解决了舆论变化模型在情感动态和极化量化方面的不足。通过对COVID-19相关讨论的验证，该模型有效捕捉了极化动态，并解释了对口罩和封锁态度的分化。

本研究针对现有逆渲染方法仅支持电介质而忽略导体的不足，提出了NeISF++，一种兼容导体与电介质的逆渲染管道。该方法引入了通用的物理基础反射分布函数（pBRDF）来描述两者的反射特性，并且采用新的几何初始化方法利用DoLP图像解决强镜面反射问题。实验结果表明，该方法在几何和材质分解方面超越了现有的极化逆渲染技术。

该研究提出了一种物理一致的模拟框架，解决了传统数据增强方法无法保持穆勒矩阵图像极化特性的问题，从而显著提升了模型在语义分割任务中的泛化能力和性能，强调了物理知情数据增强的重要性。

本研究分析开源大型语言模型在性别、宗教和种族上的偏见。通过七种偏见触发器生成数据集，比较不同模型的文本偏见，发现模型对不同群体表现出极化。语言切换导致变异，揭示文化和语境对偏见的影响。

本研究提出了签名图原型自编码器（SGAAE）框架，通过将图投影到多面体上提取节点级别表示，推断节点隶属关系，识别竞争社区。实验证明，SGAAE在签名链路预测任务中优于多种基线模型。

该研究提出了一种新的复合值卷积神经网络（Complex-valued CNN）用于极化合成孔径雷达图像分类。该方法在整体准确度上有所改善，AIRSAR数据集提高了1.3%和0.8%，ESAR数据集提高了0.5%。对Flevoland数据的分析证明了SDF2Net模型的有效性，即使仅使用1%的采样比例，也达到了96.01%的整体准确度。

预测通常会影响预测目标，称为表现性。在机器学习中，表现性在经济学、金融学和社会科学中很重要。表现性预测产生了自然均衡概念和优化挑战。学习和操纵是表现性预测中的两种机制。未来的方向包括表现性对抗算法系统。

本研究探讨了光的偏振信息对物体姿态预测的影响，并通过混合模型进行了测试。结果表明，该设计提高了姿态准确性，能够估计高反射和透明物体的姿态。同时，还引入了新的多模式物体姿态数据集。

基于深度学习的背景感知解决方案 CATSNet 可通过提取邻域的特征而非单个像素，利用 TomoSAR 数据作为输入和光探测与测距（LiDAR）数据作为真值进行训练，通过跨不同极化模式的多基线（MB）TomoSAR 数据中的上下文信息，实现了在性能和泛化能力方面的显着优势，超越现有技术。

神经辐射场建模方面取得显著性能，但在建模光泽表面的视角相关外观时仍有困难。提出了可学习的高斯方向编码，模拟近场照明条件下的视角相关效果。引入数据驱动的几何先验，缓解反射建模中形状辐射的歧义。提高了高光反射的建模，将外观分解为更有物理含义的组成部分。

本研究旨在去除褶皱透明薄膜干扰并重建薄膜下原始信息。通过建立物理模型和使用偏振摄像机构建实际数据集，成功去除薄膜中的干扰。实验证明该框架在图像重建和工业下游任务中具有最先进的性能。

该文章介绍了一种新的极化图像消除反射的方法，解决了现有方法中反射区域与无反射区域不对齐的问题。该方法采用双阶段架构的极化反射消除模型和新的感知NCC损失，提高了反射消除和图像分解任务的性能。经实验证明，该方法优于现有的反射消除方法。

通过在Twitter上进行随机试验，研究发现建议用户关注相反政治意识形态的帐户能减少其社交网络的政治同质性信念，但在治疗后一周会增加联系的多样性。然而，增强对Twitter联系的政治同质性信念会导致用户在治疗后2-3周的联系多样性逐渐减少。

通过使用Kialo创建的数据集，研究发现ChatGPT在争议性话题上表现良好，尤其是在经济方面。然而，它存在对右倾意识形态的隐性倾向，需要增加更多的调节。在领域知识方面，除了哲学类别外，ChatGPT在跟上人类集体知识水平方面表现良好。与人类答案相比，Bing AI的信息来源在倾向中立方面略有增加。

深度核机器（DKMs）是一种结合了深度神经网络和深高斯过程的新的核方法。本文介绍了卷积DKMs和跨域引导点逼近方案，并评估了多种模型变体。结果显示，DKMs在MNIST、CIFAR-10和CIFAR-100上的准确率分别为99%、92%和71%。

本文提出了一种基于遗传算法的极化码构造框架，通过演化变换信息集来适应指定的译码算法。该算法构造的极化码无需CRC辅助，达到了与CRC辅助SCL译码相同的误码率性能，并在$10^{-6}$比特误率下实现了1dB的编码增益。同时，该算法还可以接近SCL的误码率性能，而无需修改译码算法本身。