本研究提出了一种量子代理算法（GPA），用于设计最优量子传感器电路（QSC）。该算法通过量子策略评估与改进，生成高量子费舍尔信息的QSC，减少门数量并保持高灵敏度，展示了量子代理在量子物理问题中的计算潜力。

本研究提出了一种名为最大敏感性神经网络（MSNN）的混合深度卷积模型，利用迁移学习技术提高肺癌检测的灵敏度和特异性。实验结果表明，MSNN的准确率达到98%，灵敏度为97%，能够有效识别良恶性肿瘤区域，显著提升医疗诊断的准确性。

香港中文大学研究团队开发了超快速、高灵敏度的蛋白质同源物检测框架DHR，能够识别隐藏在序列深处的远端同源物。DHR的灵敏度提高超过10%，速度比传统方法快22倍。研究结果发表在Nature Biotechnology上，显示DHR能够构建高质量的多序列比对（MSA）并处理全新数据，为蛋白质结构预测领域带来新希望。

本文介绍了多种红外小目标检测的新方法，包括多尺度方向感知网络（MSDA-Net）、扩散模型框架和改进的稠密嵌套注意力网络（IDNANet）。这些方法通过创新模块和损失函数设计，显著提升了检测性能，尤其在公共数据集上表现优异，有效解决了背景杂乱和样本不平衡等问题。

本研究比较了不同敏感性分析方法的性能，发现前向模式自动微分在ODE参数估计和神经微分方程拟合中更有效。随着模型规模增大，连续伴随方法表现更佳，但存在内存与性能的权衡。此外，提出了一种结合伴随灵敏度方法的随机微分方程梯度计算新方法，应用于神经网络的随机动力学拟合，展现出竞争性性能。

本研究提出了一种新的双Lipschitz可逆神经网络（BiLipNet），通过控制Lipschitz性和逆Lipschitz性来提升神经网络的鲁棒性。该方法结合了新型可逆残差层和正交层，在图像分类中实现高准确性，并有效抵御对抗性攻击。实验结果表明，该网络在多种数据集上表现优异，具备良好的可扩展性和鲁棒性。

COVID-Net CXR-2是一种新型的深度卷积神经网络，用于检测COVID-19。该网络在19203幅CXR图像的基准数据集上进行了研究，具有95.5%的灵敏度和97.0%的阳性预测值。

我们提出了一种系统的方法，在训练过程中插入新层，消除了选择固定网络大小的需要。通过约束优化技术和一阶敏感性信息，我们的技术能提供更好的训练性能衰减和降低计算复杂度。

本研究提出了一种新的方法来检测网络系统中的社区结构，测试结果表明该方法具有高度的灵敏度和可靠性。该方法还成功应用于两个社区结构不明确的网络。

该文介绍了一个交互式系统，用户可以操作图像，探索深度学习图像分类器的稳健性和灵敏度。该系统允许用户比较和对比人类和机器学习模型用于分类的图像区域，揭示了一系列惊人的结果。

该研究提出了一种新的神经网络架构CRNN，用于心脏磁共振成像重建。该模型结合了超分辨率细化模块，提高了单线圈重建的质量。通过使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，该模型具有进一步提高心脏磁共振成像重建的潜力。