MathFusion通过顺序、并行和条件三种融合策略提升大语言模型在数学问题上的能力，利用45K合成指令使准确率提高18%。该方法有效捕捉问题间深层联系，展现出优越的数据效率和性能，适用于更复杂的数学问题。

本研究针对多光谱物体检测中的特征提取和融合策略，提出了有效的训练技术和首个公平可重复的基准，系统评估现有方法的表现，并介绍了一种高效的多光谱检测框架，推动了该技术的发展。

本研究提出了一种新型卷积神经网络架构，解决了多模态医学图像融合中细粒度特征捕捉不足的问题。通过膨胀残差注意网络模块和无参数融合策略，实验结果表明该方法在视觉质量和融合速度上优于其他方法，具有实际临床应用潜力。

本文研究了多样的融合策略和模型在不同个体和融合路径下的学习行为。中间融合是最平衡和有效的方法，在不同数据集上提高了深度学习模型的泛化性能。研究强调了分配层的重要作用和不同策略的影响。

本文介绍了辅助驾驶感知数据集AIDE，该数据集考虑了车内外背景信息，实现了全面的驾驶员监测。同时，介绍了两种融合策略以深入研究学习有效的多流/模态表示。

我们提出了一种名为AutoFM的神经架构搜索（NAS）框架，用于自动搜索多模态输入和融合策略的最佳模型架构。在真实世界的多模式EHR数据和预测任务上进行了实验，结果显示我们的框架在现有方法上实现了显著的性能改进，并发现了有意义的网络架构。

本文介绍了一种新的深度学习架构，用于红外和可见图像融合问题。该架构包括编码网络、融合层和稠密块，并设计了两个融合策略。与现有的融合方法相比，该方法在客观和主观评估方面均取得了最先进的性能。

UniTR是一种高效的多模态骨干网络，用于处理多传感器数据并实现准确可靠的自动驾驶系统的感知。它通过一种模态不可知的转换编码器来处理不同的传感器数据，并提出了一种新颖的多模态融合策略。在nuScenes评测上，UniTR在3D目标检测方面取得了+1.1 NDS的提高，在BEV地图分割方面取得了+12.0 mIoU的提高，并具有较低的推理延迟。

UniTR是一种高效的多模态骨干网络，用于处理多传感器数据并实现准确可靠的自动驾驶系统的感知。它通过引入模态不可知的转换编码器来处理不同的传感器数据，并通过视角不一致的传感器数据进行并行模态表示学习和自动跨模态交互。它还提出了一种新颖的多模态融合策略，同时考虑2D透视图和3D稀疏邻域关系。在nuScenes评测中，UniTR在3D目标检测方面取得了+1.1 NDS的提高，在BEV地图分割方面取得了+12.0 mIoU的提高，并具有较低的推理延迟。