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。

本研究提出了一种灵敏合并方法，解决了在合并大型语言模型时保留任务专业能力的问题。通过分析参数灵敏度和任务可迁移性，优化合并系数，显著提升了多个任务的性能，尤其在代码生成方面优于专门微调的模型，为未来的模型合并策略提供了重要启示。

本研究提出了一种物理指导的强化学习框架（PG-RL），旨在提升电网的韧性。研究结果表明，PG-RL提高了资源利用效率，并改善了应对停电的策略，对应对气候变化具有重要意义。

本研究提出了一种结合量子机器学习算法的混合模型，用于冠心病早期诊断。该方法通过融合量子和经典机器学习算法，提高了诊断的准确性和灵敏度，有望降低心脏疾病的发病率和经济负担。

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。

本文提出了一种用于红外小目标检测的扩散模型框架，通过模拟像素级判别与掩模后验分布建模相结合，转变了从判别范式到生成范式的方法，以绕过目标级的不敏感性，并设计了小波域中的低频隔离以抑制内在红外噪声对扩散噪声估计的干扰。实验证明，该方法在NUAA-SIRST、IRSTD-1k和NUDT-SIRST数据集上具有竞争性的性能优势。

评估了4种生物标志物选择方法和4种机器学习分类器，发现现代方法在性能上优于逻辑回归。在特异性固定为0.9的情况下，机器学习方法的灵敏度为0.240（3个生物标志物）和0.520（10个生物标志物），逻辑回归的灵敏度为0.000（3个生物标志物）和0.040（10个生物标志物）。在允许较少生物标志物时，基于因果关系的方法表现最好，而在允许更多生物标志物时，单变量特征选择方法表现最好。

本研究比较了离散局部敏感性分析与连续伴随敏感性分析等方法的性能特征，发现前向模式自动微分在参数估计和方程拟合中更有效。连续伴随方法在大模型中性能更高，但内存使用与性能存在权衡，反求法技术不适用于大多数科学模型。

研究者提出了一个新的框架，可以通过凸神经网络和Legendre-Fenchel对偶性来控制常数，并在实验中展示了其性质。该框架适用于不确定性估计和单调问题。

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。