本研究提出了一种新方法Prot2Text，使用图神经网络和大型语言模型，在编码器-解码器框架中预测蛋白质功能。该方法综合多种数据类型，提供了详细准确的描述。通过评估多模态模型，结果显示其对蛋白质功能的转变性影响。该方法为研究人员提供了准确预测蛋白质功能的工具。代码、模型和演示将公开发布。

该编码器-解码器框架解决了自动驾驶车辆中的视觉 grounding 问题，通过多模态解码器集成文本、图像、上下文和跨模态编码器，全面理解口头指令和视觉场景相关性。实证评估显示该模型准确性高、操作效率好，具有强健性和适应性。

该研究提出了一个模型，结合知识图谱和改进的注意机制，解决文本中的语义模糊问题。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。通过信息增益选择重要词，采用编码器-解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，减少不相关或噪声概念的影响。改进了本地自注意机制中注意分数的计算公式，确保不同频率出现的词语获得更高的注意分数。最后，采用双向门控循环单元（Bi-GRU）从文本中提取特征以提高分类准确性。在多个数据集上展示了该模型在分类任务中的有效性。

本文评估了商业NMT系统和面向机器翻译的LLMs的优势和局限性，发现LLMs可以作为NMT系统的补充解决方案。提出了合作解码（CoDec）方法，将NMT系统和LLMs相结合，取得了良好的效果。

该研究提出了一个模型，将知识图谱与改进的注意机制相结合，解决了文本中的语义模糊问题。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。通过信息增益选择重要词，采用编码器 - 解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，减少不相关或噪声概念的影响。改进了本地自注意机制中注意分数的计算公式，确保不同频率出现的词语获得更高的注意分数。最后，采用双向门控循环单元（Bi-GRU）从文本中提取特征，提高分类准确性。在多个数据集上展示了该模型在分类任务中的有效性。

该研究提出了一个结合知识图谱和改进的注意机制的模型，解决文本中的语义模糊问题。该模型在字符和词级别上运作，通过集成概念来加深对文本的理解。通过信息增益选择重要词，采用编码器-解码器框架对文本及相关概念进行编码。本地注意机制调整每个概念的权重，减少不相关或噪声概念的影响。改进了本地自注意机制中注意分数的计算公式，确保不同频率出现的词语获得更高的注意分数。采用双向门控循环单元从文本中提取特征，提高分类准确性。在多个数据集上展示了该模型在分类任务中的有效性。

本文评估了商业NMT系统和面向机器翻译的LLMs的优势和局限性，发现LLMs可以作为NMT系统的补充。提出了合作解码（CoDec）方法，将NMT系统和LLMs结合，有效解决复杂场景的翻译问题。测试结果表明CoDec具有潜力。

本文介绍了一个复杂的编码器-解码器框架，用于解决自动驾驶车辆中的视觉 grounding 问题。CAVG 模型通过多模态解码器集成文本、图像、上下文和跨模态的五个核心编码器，能够全面理解口头指令和视觉场景之间的相关性。实证评估表明，CAVG 在预测准确性和操作效率方面树立了新的标准，并在挑战性场景中展现出了强健性和适应性。

该研究提出了使用编码器-解码器框架来提高机器翻译性能的方法，实验结果表明该方法在内部数据集和WMT评估中都有显著的改进。

通过改进的编码器-解码器框架，能够从单个单目图像中估算食物的能量信息，实现超过10%的改进，MAPE上高于以往的能量估算方法超过30 kCal的改善。