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。

本研究提出了一种新的3D几何形状编码方法，旨在提高几何处理效率并减少数据损失。研究通过变分形状推理和新模型，展示了在三维物体表面重建中的优越性，特别是在处理复杂拓扑和提升重建性能方面的表现。

本研究提出了多种优化联邦学习通信效率的方法，包括超球量化算法、编码联邦学习和随机梯度量化，旨在降低通信成本并提高学习效率。通过量化和编码技术，解决了异构平台的计算延迟问题，显著提升了模型的收敛速度和准确性。

本文提出了一种自动新闻推荐框架，结合协同新闻编码和结构化用户编码，以提升新闻和用户表示学习的效果。通过MIND数据集验证了模型的有效性，并研究了多种网络嵌入方法和图神经网络在链接预测和节点分类任务中的优越性能。

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。