本研究探讨了变压器模型在时间序列预测中的低效，发现其泛化能力不如简单的线性残差模型。提出了“非对称学习”理论，阐明了注意力网络在处理不一致数据时的局限性，为改进变压器架构提供了理论基础。

本文探讨了利用自然语言处理和深度学习技术预测股票趋势的方法，包括混合注意力网络和去噪扩散概率模型等。这些方法在提高预测准确性和交易回报率方面表现出色，尤其在分析金融新闻与市场价格关系时效果显著。

本研究提出了一种非对称卷积-注意力网络（AsCAN），旨在提高多任务处理效率。该架构通过初期使用更多卷积块和后期使用变换块，优化了性能与延迟的平衡。在大型文本到图像任务中，AsCAN展现出优越的推理速度，超越了现有的高效注意力机制模型。

本文提出了多种新型网络结构以提升图像超分辨率性能，包括整体注意力网络、WaveMix架构和混合多轴聚合网络。这些方法通过改进特征聚合和注意力机制，显著提高了超分辨率效果，并在多个数据集上优于现有技术。

本研究提出了多种新型网络结构以提升单张图像超分辨率性能，包括整体注意力网络（HAN）、轻量级卷积神经网络、混合Transformer和CNN注意网络等。这些模型通过引入不同的注意力机制和模块，在图像重构中表现优异，超越了现有方法，具有更高的效率和更好的视觉效果。

该研究提出了KG-Story框架，通过外部知识图谱生成故事，表现优于现有系统。同时引入了多模态知识检索和基于知识的注意力网络，提升了生成内容的质量和流畅性。

本文介绍了一种基于预训练模型的抗体设计方法，结合序列与结构生成技术，成功设计出高特异性抗体，特别针对SARS-CoV-2。研究提出了多通道等变注意力网络和贝叶斯优化框架，显著提升了抗体设计的效率和亲和力，展示了在免疫治疗和药物发现中的应用潜力。

本文提出了一种分层结构的强化学习方法，用于生成连贯的多句子视觉叙事故事。该模型结合话题描述和多代理通信框架，在VIST数据集上表现优越，生成的故事质量高于现有方法。此外，研究探讨了基于知识增强的注意力网络和图表示形式等技术，以提升故事生成的连贯性和多样性。

该文综述了基于频域与空间域融合的图像处理研究，涵盖多曝光融合、去雨、水下增强和低光增强等任务。核心方法包括空频积分框架、双支路注意力网络、频率-空间跨域注意力、DCT增强转换器及拉普拉斯金字塔多频带恢复，通过频域建模提升细节保留与视觉一致性，并在主流数据集上取得领先效果。

该文综述空间上下文在深度学习中的应用，涵盖DSCLRCN提升显著性检测、方向感知注意网络改进阴影检测、SpaCoNet用于室内场景识别、ConST-CL学习视频表示、SCA-CNN增强图像描述、空间统计与深度聚类用于病理细胞分类，以及SCN减少标志物定位的数据需求。

该文综述图像修复与复原研究，涵盖图像超分辨率、压缩感知、三维重建、艺术品修复及去雨、去模糊、降噪等任务，提出图像自适应修复、RAP交互式修复、难度泛化反馈模型、MPRNet多阶段架构、并行注意力网络层、Deep Image Prior无预训练重建、学习与优化结合、AdaDepth无监督域适应等方法，实验均优于传统方案。

本文提出了统一的时空扩散模型（USTD），利用共享的时空编码器和基于注意力的去噪网络，捕捉条件时空模式并生成预测。USTD 在预测和 Kriging 的下游任务中表现出最先进的性能，并提供了不确定性估计。

本文介绍了一种名为MEGANet的多尺度边缘引导注意力网络，用于结肠镜图像中的息肉分割。该网络通过融合经典的边缘检测技术和注意力机制，能够有效地保留高频信息，解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。

本文介绍了一种名为MEGANet的多尺度边缘引导注意力网络，用于结肠镜图像中的息肉分割。该网络通过融合经典的边缘检测技术和注意力机制，有效地保留了高频信息，解决了背景分布复杂、息肉大小和形状变化多样以及界限不清等挑战。