本文提出了一种新颖的社区检测方法TAS-Com，旨在解决现有方法的次优收敛和拓扑连通性不足的问题。通过引入新损失函数和Leiden算法，TAS-Com显著提升了社区结构的模块性和与人工标记的一致性，实验结果表明其在多个基准网络上优于现有算法。

本研究探讨了强化学习中的可解释性问题，通过惩罚神经网络中的非局部权重，促进功能独立模块的形成。利用社区检测算法识别这些模块并验证其功能角色，建立了一个可扩展的框架，以平衡解释的完整性与认知可处理性。

本文介绍了一种模块化深度学习方法，通过知识蒸馏实现在不同预训练语言模型之间传递模块。实验结果显示该方法在多语言和参数高效微调任务中具有潜力。

该论文提出了一种基于深度生成模型的无监督跨模态域迁移方法，通过学习后续接口来提高模块性。实验证明了该方法有效，保留了局部性和语义对齐，并加快了新接口模型的训练速度。