本研究提出了RusBEIR，这是一个针对俄语的信息检索模型基准，强调了预处理的重要性。验证了BM25作为强基线，神经模型在大多数数据集上表现优越，但在长文档检索中受限于输入大小。RusBEIR为俄语信息检索研究提供了统一框架。

本研究提出了一种个性化运动范围预测方法，基于用户功能评估分数嵌入神经模型，以提升机器人护理服务的个性化能力。

本研究提出TPP-Gaze方法，利用神经时间点过程模型，解决了观察者视觉扫描路径中的时间动态问题。该模型在五个公开数据集上表现优于现有方法，具有重要的应用潜力。

这篇文章介绍了信息检索系统的发展和大型语言模型（LLMs）与信息检索系统的整合。研究人员正在探索将传统的基于术语的检索方法与现代神经架构相结合的方式，以解决神经模型面临的挑战。LLMs的出现进一步革命了自然语言处理，最近的研究集中于利用这些先进的LLMs来改进信息检索系统的性能和能力。

本文提出了一种新型对抗攻击方法，优化神经模型输出概率分布序列。研究表明，该方法在股票市场交易和电力消耗预测中有效，能够生成小输入扰动的攻击。通过分析不同对抗攻击类型，设计出增强鲁棒性的预测性维修系统，并提出新的防御机制。研究还探讨了深度学习模型在对抗攻击下的脆弱性，强调了准确性与鲁棒性之间的平衡。

本研究探讨了现代神经模型在自动生成生物医学证据摘要中的效果。结果表明，生成的摘要流畅但准确性不一。通过优化输入片段和强调高质量试验，摘要的准确性有所提升。此外，研究提出了一个多模态医疗问题摘要数据集，结合图像辅助生成更详细的医疗摘要，以改善医疗决策和患者理解。

本文探讨了低资源语言模型的预训练，发现统计n-gram模型在数据不足时优于神经模型。通过限制自我注意力等方法提升神经模型性能，准确性提高5%。还讨论了大型语言模型在教育和社会科学等领域的应用及其伦理问题，强调开放模型在隐私和再现性方面的优势，呼吁实现包容性技术以支持多语言交流。

本文介绍了多种神经模型和方法，以提升语音处理任务的性能，包括无监督学习、跨模态对齐和半监督文本到语音框架。这些技术在情感分类和语音翻译等任务中显著提高了效果，尤其在Zero Speech挑战赛中表现优异。

本文介绍了一种文档级神经事件关系抽取模型，利用事件模板和新构建的数据集WikiEvents，展示了在事件论证抽取中的优异性能。同时，研究探讨了阿拉伯语命名实体识别、问答方法和事件链接等领域的进展，提出了多种模型和方法以提高抽取的准确性和一致性。

本文介绍了自动歌词转录和翻译系统的研究进展，包括Jam-ALT基准、端到端神经模型的转移学习和多任务自然语言处理模型，旨在提高歌词转录和翻译的准确性与效率。研究表明，使用目标语言嵌入和合成数据训练模型能显著改善结果。

本研究探讨了在资源稀缺环境中，如何通过自动插入式脚注和翻译信息提升神经模型性能。实验结果显示，使用少量数据训练时，模型性能显著提高，尤其在低资源语言处理上，翻译信息起到了关键作用。这为语言保护和数据采集提供了新思路。

本文提出了一种新的零射击槽填充神经模型LEONA，利用语言特征和上下文嵌入，显著提高了多个数据集上的性能。研究探讨了大型语言模型在噪声ASR转录中的应用，提出了微调方法和知识注入方案，提升了模型的鲁棒性和准确性。实验结果表明，该模型在低数据情况下表现优异，适用于多领域对话系统。

本论文介绍了MAIA，一种多模态自动解释性代理，利用神经模型自动化神经模型理解任务，并提供实验和解释工具。评估结果显示，MAIA在计算机视觉模型中具有良好的应用潜力。

本文介绍了一个新的司法判决预测数据集，利用神经模型评估其性能，并探讨人口统计信息对模型的影响。研究提出了基于贝叶斯方法的模型，以提高医疗数据集的可靠性。同时，利用深度学习和自然语言处理技术，开发了预测法律案件结果的系统，显著提高了预测准确率。

本文探讨了多文档摘要的改进方法，包括图半监督学习、基于语义相关性的神经模型和贝叶斯主题模型，旨在提高摘要质量和语义连贯性。实验证明，这些方法在多个数据集上表现优异，特别是在社交媒体和文档分类任务中取得了显著效果。

该研究提出了一种通过神经模型进行面部验证的方法，将面部验证问题简化为二进制问题，并使用超网络生成模型权重。该方法生成了紧凑的个性化面部识别模型，减少了参数和计算负荷。研究证明该方法与最先进的模型相媲美或更好，并进行了广泛的剔除研究以证明每个元素的重要性。

该研究提出了一种新的神经模型，能够动态跟踪论证对话中主题和话语变化对说服力的影响。实验证明该模型能有效辨别具有说服力的论证，并发现主题和话语对说服力有帮助。然而，优秀的话语风格可能会在社交媒体争议中引起偏见。

本文研究了大型语言模型的预训练是否会赋予其非语言推理的归纳偏差，并通过试验发现预先训练的模型明显优于非预先训练的神经模型，即使在更少参数的情况下进行训练。同时，即使在预训练多语言文本或计算机代码并生成合成语言的情况下，也可以持续预训练的积极效应。这些发现暗示了预先培训与模型的归纳学习能力之间的深层联系。

DoubleMix是一种插值数据增强方法，通过在神经模型的隐藏空间中进行插值和学习“偏移”特征来提高模型的鲁棒性。该方法在六个文本分类基准数据集上优于其他流行的文本增强技术，并且在低资源情况下也能保持性能的提升。

本文提出了一个新的易于插拔的统一框架，比较了常见的IR度量和神经模型在多个句子对分数任务和数据集上的性能，并尝试通过发布新的数据集来改进比较。在Ubuntu对话数据集上，他们使用训练好的句子模型进行多任务复用，并提出了新的最优结果。