本研究比较了大型语言模型驱动的社交网络与人类驱动的社交网络，分析了65,000个LLM代理和770万个AI生成帖子，揭示了二者在发帖行为、恶意内容和网络结构上的显著差异，为理解AI时代的在线社交网络演变提供了重要见解。

本研究提出了一种新颖的输入跳过的潜在二元贝叶斯神经网络（LBBNNs），旨在解决人工神经网络在解释性和不确定性评估方面的挑战。该方法简化了网络结构，降低了网络密度，同时保持高预测准确性，有效识别真实协变量。

多模态统一模型Janus及其升级版Janus-Pro，采用单一网络结构同时处理文本、图像和视频，提升理解与生成能力。Janus通过解耦视觉编码和优化训练策略，增强模型性能，支持高质量图像生成与理解。

本研究利用大型语言模型模拟社交网络中的谣言传播，分析不同网络结构和代理行为对谣言传播效果的影响，以应对社交媒体上日益严重的谣言问题。

本研究探讨了多智能体路径规划中的通信约束，提出了三种针对特定网络结构的精确算法。结果表明，代理数量对算法设计有影响，特定情况下可实现快速有效的路径规划。

本文提出了一种新的稳定对抗训练框架SCAT，以提高自监督单目深度估计模型的泛化能力。通过对抗数据增强和优化网络结构，实验结果表明该方法在五个基准测试中表现优异，显著提升了自监督深度估计的性能。

本研究通过动态调整网络结构，结合变分自编码器与深度强化学习，优化多智能体系统的性能与资源使用平衡。结果表明，该方法在多个场景中优于基线。

本文研究了Wave-U-Net在语音增强中的应用，发现其在时域建模中能有效提升多个性能指标。提出了Deep Complex U-Net、SDFCN、PoCoNet和FullSubNet+等新型网络结构和方法，均在不同数据集上表现优异。同时，探讨了语音分离与增强的最新进展及其在自动语音识别中的应用潜力。

本文介绍了一种半监督医学图像分割方法，结合深度学习和正则化技术，提出了DS-TransUNet和MC-Net+等框架，利用未标记数据和创新网络结构显著提升分割效果。实验结果在多个医学数据集上验证了这些方法的有效性，展示了半监督学习在医学图像分割中的应用潜力。

本文研究了深层ReLU网络在逼近光滑函数方面的优势，提出了改进的RNN模型及其在PAC学习中的应用，探讨了不同网络结构的推广能力和训练效果。研究表明，适当的超参数化和初始化可以提高学习效率，并在动态系统中实现最优性。

本文研究了一种新的贝叶斯网络结构学习算法，优于传统模型选择和MCMC方法。通过前向-后向技术和快速莫比乌斯变换，加速了中等规模网络的学习。同时，探讨了从用户知识和统计数据中学习贝叶斯网络的评分度量和搜索程序，提出了新的评分函数，提升了数据相关性和最大化效果。

该研究探讨了社交媒体上文化创新传播的地理模式，强调身份认同与网络结构的交互作用。通过分析Twitter数据，发现弱关联有助于信息扩散，而强联系则影响传播效果。研究提出了多维标记Hawkes过程模型，成功模拟用户行为并预测信息传播动态，揭示了社交网络中信息传播的重要性。

基于多个经验初始化的 LLMs，并通过独立查询它们创建 BN 的结构，并通过多数投票获取最终结构的贝叶斯网络（BNs）结构获取方法在不同规模 BN 上与另一种替代方法进行比较，研究了两种方法在可广泛和不广泛知名的 BNs 上的可扩展性。

该文章介绍了一种使用自监督学习来进化深度神经网络的框架，实验结果表明学习到的网络结构对标注数据量不敏感。

本文研究了在V3Det数据集上进行的开放词汇视觉检测任务，提出了多种改进方法，包括网络结构调整和训练策略设计，取得了优异的检测效果。新数据集V3Det为目标检测提供了丰富的边界框和类别层次，推动了开放词汇检测的发展。

该研究开发了一个基于知识蒸馏和深度学习的模型，用于预测脓毒症和感染性休克，旨在提高早期诊断和治疗决策的准确性。通过分析电子健康记录，构建了SepsisLab系统，能够预测败血症发展并提供可视化建议，展示了人工智能在临床应用中的潜力。