本研究探讨量子机器学习中的数据编码问题，揭示现有编码方法选择的随意性。通过基准测试多种编码方式，评估其在不同数据集中的表现，旨在优化编码选择以提升量子模型的性能。

本研究提出了一种“能力编码”方法，用于高效基准测试遥感领域的基础模型。该方法能够预测模型在多个任务中的性能，简化模型选择过程，并为未来研究提供新的视角。

本文提出了BdSLW401，一个包含401个手势和102,176个视频样本的孟加拉手语数据集，以解决手语识别中的说话者变异和视角变化问题。通过引入相对量化编码（RQE），显著提升了基于变换器的手语识别效果，增强了模型的解释性和识别率。

YaRN是一种扩展RoPE的方法，可以有效增加transformer模型的上下文窗口，减少所需令牌和训练步骤。通过YaRN，LLaMA模型能够处理比预训练更长的上下文，并超越现有技术。YaRN还展示了在有限上下文的微调数据集上的能力，并发布了使用64k和128k上下文窗口微调的Llama 2 7B/13B模型。

本文研究了在上传之前对本地模型参数进行量化，以减少联邦学习的收敛时间。通过随机量化和综合优化计算、通讯资源和量化比特数，实现了在全局轮次中的最小收敛时间。评估了量化误差对收敛时间的影响，并提供了模型准确性与执行时间的平衡。该方法可以加速收敛速度，并为选择量化误差容忍度提供见解。

我们提出了TNCN，是NCN的时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。TNCN在五个真实世界数据集上验证，其中三个实现了最先进表现。TNCN在处理大型数据集上表现出了出色的可扩展性，速度超过了GNN基线最多6.4倍。

本文研究了图神经网络中节点级和边缘级随机游走对性能的影响，并提出了相应的编码方法。实验证实了基于随机游走的方法的有效性。

本文介绍了一种算法，用于对神经网络模型输入的分类特征进行二进制编码，并在前向和反向传播中调整模型权重，类似于one-hot编码。

该文介绍了一种基于图神经网络的解决方案，通过新颖的编码方法和改进的消息传递算法来更好地捕捉真实网络场景的复杂性。该方案能够学习并推广到未见过的抓取网络场景。

本文研究了基于编码方法的图像分类或搜索领域中的流水线，并提出了一些用于密集提取图像路径的替代选择。结果表明常规的密集探测器被其他方法超越，在标准检索和细粒度基准上改进了现有技术水平。同时，边缘提取方法可以实现高精度。