本文研究了新自动化工具在阿拉伯隐喻语料库中的情感分类，填补了阿拉伯隐喻情感分析的空白。采用语义情感标签，评估标准包括F值、召回率和准确率，首次揭示了阿拉伯网络隐喻对情感的影响。

本研究提出了一种基于隐喻的越狱攻击方法MJA，旨在解决文本到图像模型的安全漏洞。MJA通过生成隐喻式对抗提示，提高了攻击效果和查询效率，实验结果显示其在多种模型上表现良好。

本研究提出了一种灵活的隐喻设计方法，以解决语音用户界面（VUI）设计中静态隐喻无法适应多样化背景的问题，从而显著提升用户的接受意图和愉悦感。

本研究提出了一种多智能体框架DRT-o1，旨在解决机器翻译中因文化差异引起的比喻和隐喻翻译问题。实验结果显示，该方法显著提高了文学翻译的质量。

本文介绍了隐喻释义生成任务，提出了词汇替换基线和隐喻屏蔽模型。通过众包评估和自动度量衡，发现隐喻屏蔽模型在生成隐喻句子方面表现出色，流利度和释义质量也很好。

我们提出了Meta4XNLI，一个包含西班牙语和英语隐喻注释的新型并行数据集，用于隐喻检测和解释的任务。通过实验研究语言模型对隐喻的识别和理解能力，并分析了结果和错误，以了解非字面表达对模型性能的影响。此外，平行数据为研究隐喻可转移性和多语言注释资源发展提供了机会。

本文研究了比喻识别数据集的篡改问题，发现基于语言模型的系统在没有完整信息的情况下也能与使用完整上下文信息的系统竞争。同时，通过从自然语料库中抽样，得到了更具挑战性和可靠性的数据集。

为了评估大型语言模型（LLMs）对隐喻理解的能力，研究人员发布了隐喻理解挑战数据集（MUNCH），其中包含超过10k个含隐喻用法的句子的释义和1.5k个含不恰当释义的实例。实验表明，MUNCH对LLMs来说是一个具有挑战性的任务。

本研究将生成式人工智能和多模态类比推理相结合，作为增强STEM教育的创新方法。通过将复杂原理转化为易于理解的隐喻和视觉形式，提高学习者对STEM概念的理解和学习参与度。测试结果证明了将大型语言模型应用于STEM教育的潜力。

本文研究了比喻识别数据集的篡改问题，发现基于语言模型的系统在缺乏完整信息时仍具有竞争力。同时，通过从自然语料库中抽样，得到更具挑战性和可靠性的数据集。

本研究评估了大型语言模型处理比喻的能力，发现小型和非常大型模型性能差异巨大，最大模型接近人类水平但需要多次提示。

该文提出了一种以期望组件和实现组件为主要模块的隐喻检测架构，通过ER模式训练学习，对三个隐喻数据集进行评估，结果显示该方法具有与现有技术相当或更好的效果，并且通过ER模型的集成可以提高隐喻检测的准确性。