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。

该研究提出了一种名为Text-DiFuse的交互式多模态图像融合框架，旨在解决现有方法在图像融合中未能有效处理的复合降质问题。通过将特征信息整合到扩散过程中，并利用文本控制，Text-DiFuse显著提高了融合性能，尤其在复杂降质场景中表现出色，实验验证了其在语义分割中的显著提升。

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。

本文探讨多模态学习中的优化失衡问题，提出自适应梯度调节方法和MMPareto算法，以提升模型性能和泛化能力。研究表明，动态调整模态学习速度和均衡处理能够有效解决模态间干扰和梯度冲突，显著改善模型效果。

本文介绍了一系列安全强化学习算法，包括FAC算法、SEditor、SAAC框架、Unrolling Safety Layer、SMARLA、Safety-Gymnasium、SCPO和SORL。这些方法通过不同技术手段确保强化学习的安全性和可达性，显著降低安全违规率，并在机器人控制等实际应用中表现优越。

本文介绍了一种新的光场超分辨率方法LFMamba，利用状态空间模型（SSM）和选择性扫描机制（S6）有效建模4D光场特征。该方法通过设计基本的SSM块，提升了空间和角度信息的学习能力，实验结果显示其在光场基准测试中表现优异，具有良好的泛化能力。

该研究探讨了通过模仿学习和自监督学习提升机器人在复杂任务中的表现。研究表明，机器人能够通过视觉模仿和数据扩展，从单一演示中学习多样技能，并在新任务中实现较高成功率。结合模仿与强化学习，开发的混合模型显著提高了机器人在不熟悉环境中的适应能力和技能优化效率。

本文介绍了用于机器操作声音异常检测的“ToyADMOS”数据集，包含正常与异常声音样本。研究还涉及MIMII、MIMII DG等数据集，探讨了基于深度学习的声音分析方法及其在故障检测中的应用，提出了SSAD框架和GenRep方法，有效解决了噪声干扰和领域迁移问题，展现了良好的检测性能和鲁棒性。

该文章探讨了深度学习在气候预测中的应用，介绍了Earthformer、ClimaX和基于扩散模型的方法，展示了它们在气象和气候预测中的优越性能，强调了人工智能在理解气候变化和提高预测准确性方面的重要性，并提出了未来研究方向。

本文介绍了一种基于深度学习的OFDM解调器，利用单比特量化和生成式深度神经网络进行通道估计，显著降低误比特率。同时，研究了深度学习在无线通信信号调制分类中的应用，提出了多种神经网络架构，并优化了在线分类和训练时间。此外，基于卷积神经网络的自动调制分类方案在低信噪比下表现出优越性能。

本文探讨了深度学习在无线通信信号调制分类中的应用，提出了多种神经网络架构和优化技术，以提高分类的准确性和效率。研究重点包括自动调制识别和卷积神经网络模型在不同信噪比下的表现，强调了其在资源受限设备上的应用潜力。

本文提出了一种通用训练框架，以提高脉冲神经网络（SNN）的特征学习和激活效率。通过优化模型和细粒度正则化，新的ANN转SNN框架在低时间步和高稀疏性下实现了无损转换，测试准确率在ImageNet上达到73.30%。研究还介绍了量化SNN和多阈值方法，以提升准确性和能效，展示了在边缘智能计算中的潜力。

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...

本文介绍了一种新的通道剪枝方法，通过监督分层通道选择，结合重建误差、附加损失和分类损失，显著提升深度神经网络的性能。该方法在多个基准数据集上进行了实验验证，显示出良好的压缩效果和分类能力。

本文介绍了多种基于深度学习的表格检测和识别方法，如SAM-DETR和TableNet，强调了半监督学习和迁移学习的应用。这些方法在多个数据集上表现优异，显著提高了表格识别的准确性和效率。