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。

本文提出了一种新的网络结构，利用感知偏差照明和完整图像建模来解决低光照图像增强问题。通过伽马校正与深度网络相结合，能够自适应地感知偏离的照明并学习校正因子伽马。实验证明该方法优于现有方法。

本研究提出商归一化最大似然准则（qNML）用于贝叶斯网络结构学习，实验证明qNML能生成简约准确的预测模型，具有应用价值。

本论文提出了一种新的网络结构，通过交替聚合局部全局特征，实现了空间和通道信息的交互，并在超分辨率方面超过了其他网络。

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。

该研究结合临床专业知识与算法，研究了败血症潜在原因的因果结构，发现慢阻肺、酒精依赖和糖尿病等风险因素增加患者患败血症的可能性，对政策具有潜在影响。模型预测准确度约为70%，AUC为80%。

本论文提出了一种新的网络结构，通过交替聚合局部全局特征，实现了空间和通道信息的交互，并在超分辨率方面超过了其他网络。

该论文提出了一种新的网络结构，通过采用C.ReLU和Inception结构等技术创新，使深度神经网络最小化冗余，同时在计算成本小于ResNet-101的情况下能够高效地训练，实现了84.9%和84.2%的mAP。

本文提出了一种新的网络结构，通过感知偏差照明和完整图像建模来增强低光照图像。该方法将伽马校正与深度网络相结合，自适应地学习校正因子伽马来感知偏离的照明。实验证明该方法优于现有方法。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s的架构，提高了特征梯度流，并与其他竞争模型进行了比较。结果显示，该模型在草莓数据集上实现了80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测的网络参数。

该文章介绍了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受天气条件影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件具有普适能力。