本研究提出了一种粗知识感知对抗学习方法，旨在解决无监督视觉异常检测中神经网络重构异常样本导致的检测精度不足问题。实验结果表明，该方法在医学和工业数据集上显著提升了异常检测的准确率。

Ophiuchus模型通过SO（3）-等变粗粒化方法高效处理蛋白质残基的重原子，保持对称性。模型使用局部卷积模拟序列模体间的相互作用。通过训练重建PDB片段，研究不同压缩率下的重建能力，并在构象内插中快速应用。利用去噪扩散概率模型采样小型蛋白质的潜在嵌入，实验显示Ophiuchus在蛋白质建模和生成中具备扩展性和效率。

研究分析了检索增强对不同语言模型生成答案的影响，以及文档集质量对生成答案的影响。重点考察答案的流利度、长度和差异，并通过人工和自动方法评估归因，揭示检索增强对知识丰富文本生成的影响，分析归因错误原因，为未来研究提供方向。

FALCON是一种无需细粒度级别监督的方法，可以从粗粒度标记数据中发现细粒度类别。它通过结合粗粒度和细粒度类别之间的关系来恢复粗粒度预测，并使用粗粒度监督和细粒度的伪标签来训练细粒度分类器。实验结果表明，FALCON在图像分类和单细胞分类任务上优于基线方法。

本文提出了一种无监督的方法来区分名词的意义变化，并通过数字化书籍中的严格时间变化文本数据构建分布式词库网络，将它们分别聚类以获得与不同时间点对应的以词为中心的意义聚类。该方法可应用于词汇编纂和语义搜索，并经过人工评估和WordNet对比，该算法在48个样本和21个样本分别中正确识别出60.4％的新出现情况，57％的分裂/合并情况，并有44％的新意义得到WordNet验证。

本研究旨在解决当前机器学习方法无法准确表示具有局部变异的晶体结构的问题。提出的新方法Zeoformer能够有效表示粗粒度的晶体周期性和细粒度的局部变异性，进而准确预测OSDA-沸石对的性质。研究结果表明，Zeoformer在OSDA-沸石对数据集上表现出最佳性能，具有潜在的应用价值。

本文提出了一种基于循环卷积神经网络的方法，能够联合学习多光谱图像的空间、谱域和时间特征，达到更好的变化检测结果。该方法具备三个独特的特性，即端到端训练，自然利用空间信息以及能够自适应地学习多时相图像之间的时间依赖性。实验结果证明了该方法在多时相遥感图像分析中的竞争性表现。

通过引入FiCo-ITR库对细粒度和粗粒度模型进行实证评估，分析了不同数据规模下的精度、召回率和计算复杂度。揭示了细粒度和粗粒度模型之间性能与效率的权衡，以及它们各自的优势和限制。为具体检索任务的模型选择提供了基础，并突显了利用细粒度和粗粒度方法优势的混合系统研究方向。

本文介绍了直接去噪扩散模型（DDDM），一种生成逼真图像的简单且通用方法。DDDM不需要精心设计的采样器或预训练的蒸馏模型，通过考虑前一时间步生成的样本来引导迭代生成过程。该方法在基准数据集上表现出强大的性能，超越了GAN和蒸馏基模型。在ImageNet 64x64上，与主要模型相当。

本文介绍了使用图神经网络（GNN）非马尔科夫建模框架来识别图上的粗粒化动力系统。通过检查莫里 - 茨旺齐记忆项的主导项如何依赖编码图拓扑的粗粒化相互作用系数，确定了适当的GNN体系结构。通过数值演示，证明了该体系结构能够预测固定和时变图拓扑下的粗粒化动力学。

该调研总结了高效大型语言模型的研究成果，整理了相关文献并创建了GitHub存储库，为研究人员和从业者提供有价值的资源，推动该领域的研究进展。

本研究提出了一种文本到视频检索方法，通过多粒度视觉特征学习和二阶段检索体系结构，在检索效果和效率之间取得平衡。采用参数无关的文本门控交互块和额外的Pearson约束来优化跨模态表示学习，实现了与当前最先进方法相媲美的性能，速度快近50倍。

神经网络量化是一种压缩神经网络的技术，提高了人工智能的部署效率。粗细权重拆分（CFWS）方法是第一个能在重新参数化的网络上进行后训练量化的工作，通过改进的KL指标解决了精度下降的问题。量化的RepVGG-A1模型仅损失了0.3%的准确性。

本文提出了一种基于词典的实体检索器，可消除实体重名的歧义性。实验结果表明，该方法在中文 Few-shot 和 Zero-shot 实体链接的 NLPCC 2023 共享任务 6 中名列第一。

文章讨论了列表同步的不同方法，包括粗粒度锁、细粒度同步、乐观同步和无锁同步。无锁同步通过硬件支持实现，避免传统锁的使用，提升并发性能。同时，文章介绍了在并发数据结构中保持不变性的方法，以及节点删除时的逻辑和物理删除策略。