本研究解决了多领域情感分类中因单一领域标签数据稀缺而导致模型性能不佳的问题。通过提出一种动态信息调制算法，研究首次提出了分阶段模型训练方法，其中包含共享超参数和域感知调制算法，以高效生成各领域所需的域信息。实验结果显示，该方法在包含16个领域的公开情感分析数据集上表现优越，具有显著的应用潜力。

本研究针对现有基数估计方法在生产环境中的实际应用挑战，提出了DistJoin，一种基于高效分布预测的连接基数估计器。通过使用自适应神经谓词调制模型，DistJoin不仅支持等值和非等值连接的准确基数估计，还显著提高了对数据更新的鲁棒性和处理速度，有效减少了估计方差。

本研究提出ExGes框架，优化音频驱动的人类手势合成，解决了粗糙性和表现性不足的问题。通过构建手势库和应用对比学习等技术，显著提升了生成手势的自然性和语义相关性，实验结果表明其优于现有方法。

本研究解决了静态词嵌入在复杂句子结构和领域特定术语转变中的灵活性不足问题。提出了一种通过连续几何变换动态重构词嵌入的结构化方法，使得嵌入能够在不断变化的话语结构中进化。研究结果表明，这种动态调制的嵌入显著减少了混乱度，改善了词汇连贯性，提高了句子级连续性，尤其在结构化和领域自适应的文本生成任务中表现突出。

本文探讨了通过反应需求实现频率调控以整合可再生能源对电力网的影响，提出了分散的代理模型和两种通信框架。研究还介绍了利用大型语言模型解决个性化能源问题的方法，强调了强化学习在电路设计自动化中的潜力，并提出了新工具KALAM以支持电路网表的自动化合成。

该研究提出了Text-DiFuse框架，旨在解决多模态图像融合中的复合降质问题，通过文本调制提升融合性能，实验结果表明其在复杂场景中表现优异。

本研究解决了多智能体轨迹预测中人类行为的不确定性及复杂的社会互动带来的挑战。提出了一种基于补丁的时间特征提取模块与图形社交特征提取模块，结合显式模态调制，构建了高效的单阶段推理管道。实验结果表明，该方法在公共基准数据集上显著优于现有最先进的技术。

本研究提出动态调制方法解决多模态学习中的模态不平衡问题，通过动态预测和梯度调制提升任务性能，验证了其有效性和灵活性。

我们开发了一种强化学习算法，确保非线性动态系统控制的安全性和收敛性。该算法在学习和应用中满足硬约束条件，并具有经典收敛保证。通过仿真验证，如四旋翼无人机的障碍避免问题，显示其优于现有模型。

光场图像超分辨率技术面临长距离依赖和计算复杂性问题。Mamba通过状态空间模型和选择性扫描机制，在视觉任务中表现出色。研究者设计了SSM块和SS2D机制，提出了LFMamba网络。实验显示，LFMamba在光场表示学习中表现优异，具有良好的泛化能力。

本文介绍了一种简单的视觉模仿学习方法，可以从人类演示中学习机器人操作任务，通过自监督学习进行训练。该方法将模仿学习建模为状态估计问题，通过自动移动末端执行器的摄像头围绕对象进行训练。测试结果表明，该方法可以从单个人类演示中学习多样的技能，并产生稳定且可解释的控制器。

本文介绍了使用自编码器去除噪声的方法，并以水槽水龙头噪声和高斯噪声为例进行验证。结果显示，经过训练的自编码器能有效去除噪声。

机器学习和深度学习在天气预报和地球数字孪生体方面得到广泛应用。研究了最先进的人工智能方法，并提出了一系列基础模型用于预测天气气候。认为人工智能方法已经发展到设计和实施气象基础模型的成熟阶段。

本文介绍了一种名为RC-Struct的基于结构的神经网络架构，用于MIMO-OFDM符号检测。RC-Struct利用MIMO-OFDM信号的时域结构，通过储备计算和二进制分类器实现多类检测。实验表明，RC-Struct在误比特率方面优于传统方法和现有策略，尤其在等级和链路自适应时更为显著。该架构为5G和其他通信领域的接收处理提供了启示。

深度学习在自动调制分类方面取得了新进展，为边缘设备上的无线信号处理提供了可能。通过研究三种常用的模型优化技术，提出了优化的卷积神经网络结构以实现自动调制分类。实验结果表明，这些优化技术对于开发复杂度较小的模型并在减少参数的同时维持或提高分类性能非常有效。

研究人员提出了一种名为IMSNN的新型突触模型，通过增加ISI来实现学习，减少尖峰数量并保持分类准确性。在MNIST和FashionMNIST数据集上验证，IMSNN能减少高达90%的尖峰数量。

理解大脑网络如何同时学习和管理多个任务对神经科学和人工智能都具有兴趣，最近理论神经科学的一项研究关注的是循环神经网络模型及其内部动态如何进行多任务学习，而从生物学的角度来看，管理不同任务需要一种机制将任务身份或上下文信息传递到模型中，这涉及到神经调节机制。本研究利用循环网络模型探究了神经动力学的两种上下文调节形式之间的差异，即神经元可兴奋性和突触强度的差异，并以它们的功能结果进行了表征，并重...

深度学习在通信系统中的应用受限于计算复杂性和模型尺寸。研究者提出了一种新的层剪枝方法，通过分解模型为连续的块，确定每个块内需要保留的层，最后重新组装剪枝后的块并微调模型。实验证明该方法在各种基准方法上有效。

本研究提出了一种基于Transformer的半监督表格检测器，通过新的匹配策略提高了伪标签质量，提高了训练效率。在多个数据集上进行评估，结果显示该方法的性能明显优于其他方法。该研究在半监督表格检测方面取得了重要进展。