本研究提出了一种利用分子指纹简化药物-药物相互作用预测的方法，解决了深度学习模型的高计算成本和通用性差的问题。通过摩根指纹和图卷积网络的结合，取得了竞争力的表现，并揭示了关键的分子特征和结构模式，强调了改进数据集的必要性。

本研究解决了大语言模型（LLMs）在信息检索评估中可能引发的偏见问题。通过新颖的实验设计，论文首次实证发现LLM评审者对LLM排名者存在显著偏见，同时揭示了LLM评审者辨别系统性能差异的局限性。这些发现强调了全面理解LLM驱动的信息生态系统的必要性，并提出了确保LLM在信息检索评估中可靠使用的初步指导方针和研究议程。

本研究提出了一种新方法，解决药物-靶标相互作用预测中的数据稀缺问题。通过设计两个专家处理内外部数据，利用未标记数据增强协同作用，实验结果表明该模型在数据稀缺情况下显著优于现有方法，改进幅度最高达53.53%。

本研究针对深度学习药物靶点相互作用预测方法在数据多样性和建模复杂性上的局限性，提出了SCOPE-DTI框架。该框架结合了扩大100倍的半诱导人类DTI数据集与先进的深度学习模型，显著提升了多种DTI预测任务的性能，并提供了用户友好的界面及数据库，加速药物发现研究。

本文研究了深度强化学习中，从高维观测流中提取相关信息的挑战，特别是在行为者-评论者算法中。研究发现，分开的表示能让行为者和评论者专注于提取不同类型的信息，行为者关注与行动相关的信息，而评论者则专注于价值和动态信息，最终提升了样本效率和生成能力。

本研究解决了当前可解释人工智能（XAI）研究中对“优秀”解释的定义不一致问题，特别关注解释评估的认知维度。研究发现，不同的对比和选择性解释受到个体、时机、方式和内容的影响，其偏好和理解度存在显著差异，这提示在设计AI接口时需考虑个体及情境差异。

本研究提出了一种适应性方法，以提高蛋白质-蛋白质相互作用分析的可靠性，增强计算生物学的可信度，为精准医学和生物医学研究提供了重要潜力。

本研究解决了在训练语言模型时，领域专业化与模型规模之间的关系这一问题。通过持续预训练，研究提出了一种计算高效的训练方式，并揭示了随着模型规模的增大，专业模型与通用模型之间的计算效益差距不断扩大。这一发现为不同模型规模和领域的训练提供了参考。

本文探讨了欧盟人工智能法案（AIA）实施中面临的风险管理和质量管理需求，提出了通过将现有信息安全管理系统（ISMS）控制与特定的人工智能扩展相结合，有效满足AIA第15条的合规需求。研究引入了四个新的人工智能模块，并建议其纳入BSI IT基础安全框架，以确保人工智能系统的全面安全性，这将有助于提升德国人工智能领域的竞争力。

本研究探讨了量子机器学习（QML）与传统机器学习结合的挑战，提出在中等噪声量子设备上应用变分量子电路的新方法，展示了QML的工业潜力及未来研究方向。

大语言模型Y-Mol在药物研发中展现出强大能力，解决了领域知识不足和数据获取难题，提升了药物-靶标及药物-药物相互作用的预测性能，为药物研发提供了新工具。

本研究探讨了自动驾驶中的世界模型与视频生成的关系，强调二者对系统鲁棒性和可靠性的影响。分析不同设计，揭示多样化理解，并探讨关键评估指标，发现整合有助于创新更安全的自动驾驶系统。

本研究针对大语言模型（LLMs）在解决复杂问题时如何有效整合内部参数知识（PK）与外部上下文知识（CK）进行了探讨。核心发现表明，当存在上下文信息时，LLMs往往抑制其PK的使用，尽管在某些情况下上下文知识是互补的或无关的，这凸显了LLMs在知识密集型任务中的潜在脆弱性。