数字水印是保护数据安全的新技术，包括传统方法和深度学习方法。未来的发展趋势包括设计可证性能无损水印技术、将水印信息隐藏在生成图像的风格特征中，以及多重水印技术的发展。

该文综述了电力负荷预测中处理不确定性的深度学习方法，包括扩散模型、贝叶斯神经网络、条件隐马尔可夫模型和强化学习，应用于概率预测、电动汽车充电优化及中期负荷预测，实验验证了这些方法在提升精度和应对突变方面的有效性。

该论文提出了一种基于任务行为生物特征认证的方法，利用个体的运动轨迹作为唯一签名，在虚拟现实环境中实现无缝的持续认证。通过使用深度学习方法进行行为生物特征认证，准确率较高。该研究首次使用基于 Transformer 的预测方法，解决了性能较低的问题，并显著改进了使用预测数据进行用户认证的效果。

麻省理工学院的研究人员利用Chemprop图神经网络识别潜在抗生素，特异性杀死鲍曼不动杆菌。他们开发了一种深度学习方法，发现了一类新型抗生素。研究人员通过训练模型预测化合物的抗生素活性和人类细胞毒性，并进行了初步筛选和扩大预测。研究结果显示，这些化合物具有良好的抗菌活性和选择性，对多重耐药菌株有效，并且具有较低的耐药性发展趋势和良好的安全性。这一研究为抗生素药物发现提供了新的思路和方法。

本文综述了图神经网络在分子性质预测中的进展。MGCN利用多级图表示提升泛化与可迁移性；多任务学习可改善小数据集性能；自动搜索的MPNNs优于手工设计的GNN；GCNN能高精度预测聚合物介电常数与能带隙；异构分子图神经网络在QM9多数任务上领先；MXMNet基于双层多重图预测理化性质；深度学习方法结合图与序列表示并优化损失函数，在抗生素发现等任务中持续改进并取得领先成绩。

本文介绍了一种新型的手语制作方法，通过分解动作、建立表示形式和深度学习方法，实现了从口语到手语的翻译。该方法将翻译过程拆分为独立子任务，并进行联合训练，实现了在较小的语料库中的翻译。这是第一次展示了一个完整的从口语到手语的翻译流水线，并取得了较好的性能。

本研究提出视频时间轴建模问题，通过一组相关视频创建时间轴，促进对故事内容和结构的理解。构建了YouTube-News-Timeline数据集，并提出量化指标评估方法。进一步开发和评估深度学习方法解决问题。预计为视频时间轴建模研究铺平道路。

该研究使用IntAct PPI数据库创建了一个远程监督的数据集，使用PPI-BioBERT-x10训练集成的BioBERT模型来预测蛋白质对之间的PTMs，并提出了置信度校准的方法以对其进行过滤和人工筛选。研究发现，即使进行了置信度校准，也会出现在测试数据集外的误差和挑战。因此，他们利用多篇文章进行预测，从而提高了预测的精度和可靠性。该研究探讨了深度学习方法在文本挖掘中的应用和局限性，并强调了在人工筛选过程中置信度校准的重要性。

该研究提出了一种轻量级的不确定性估计器，能够预测多模态的不确定性界限，特别适用于视觉里程计。该方法通过稳健的不确定性估计和基于光流的推理，减少预测误差 2-3 倍，始终优于传统的深度学习方法。

本研究提出了一种轻量级的不确定性估计器，可预测多模态的不确定性界限，特别适用于视觉里程计。该方法通过稳健的不确定性估计和基于光流的推理，显著提高了预测准确性，模拟结果表明在具有挑战性的场景中优于传统深度学习方法，可减少预测误差2-3倍。

该文介绍了一种基于人-车道几何和人-人社交关系的图形加权循环递归方法，以支持注入抵消几何目标和社交情境，在规划循环中运用以推理有关AV意图路径的未观察原因或不太可能的未来。

本文介绍了一种名为EPR-Net的新型深度学习方法，用于构建高维非平衡稳态系统的势能景观。该方法利用了负势梯度是带权Hilbert空间中稳态分布关于驱动力的正交投影的事实，并提出了与NESS理论中熵产率公式相一致的损失函数。通过数值研究，证明了该方法在处理降维和状态相关扩散系数以及高维生物物理模型中的鲁棒性和有效性。

CoachAI Badminton 2023 Track1项目旨在提高羽毛球比赛视频事件的自动检测准确度。研究人员采用多种深度学习方法和数据类型来提高精度，系统在挑战中获得了0.78的分数。