本研究解决了现代电子设计自动化工具中可路由性预测的优化问题，指出传统神经结构搜索(NAS)方法在该领域的局限性。提出了一种新型的NAS技术SOAP-NAS，结合了一次性学习和预测基的NAS，通过数据增强方法显著提升预测性能，实验结果表明其在DRC热点检测中的ROC-AUC指标较现有解决方案提高了40%。

本研究开发了多模态变压器和新框架，以提升时间序列预测性能。通过结合文本和时间序列数据，提出了Time-LLM和TGForecaster等模型，验证了其在少样本学习中的优势。同时，研究探讨了图像数据在预测中的应用，强调了上下文信息的重要性，推动了多模态预测的发展。

本文介绍了一种新型神经符号结构和算法，旨在提升机器人在自然语言指示下的任务执行能力。通过引入先验知识和优化学习过程，研究显示在多阶段任务中显著提高了性能。此外，该框架结合视觉和语言指导，提升了机器人在模拟和现实环境中的成功率。

本研究探讨了均匀信息密度假说的不足，提出层级结构对信息传达的影响。研究发现，深层嵌套的预测器在话语信息轮廓预测中更有效，为理解信息传递中的变化提供了新假说。

我分享了开发Dota 2比赛预测器的过程，包括数据分析和机器学习的应用。从初始挑战到关键见解，完整记录。扩展数据集已在GitHub上发布，欢迎查看和反馈。

研究评估了16种现代CATE模型在43200个数据集上的表现，发现62%的CATE估计误差高于简单预测器。即使在有效数据中，CATE估计也表现不佳，显示出这些模型在捕捉现实世界异质性方面的局限性。

本研究提出多种机器学习模型，以提高新薄膜材料的开发效率。通过预测结晶维度、空间群及材料性质，克服数据稀缺问题，提升模型的准确性和鲁棒性。这些方法在材料合成、特征提取和物性预测中表现出色，显著节省时间并提高效率。

本文介绍了多种基于图神经网络和Transformer的模型，如TransGCN、GraphFormers和LPFormer，旨在提升知识图谱的链接预测和结构学习性能。这些方法通过优化嵌入学习和信息传播，在多个数据集上表现优越，推动了图表示学习的发展。

本文介绍了一种基于众包的视觉知觉试验框架，创建了新的PJND数据集KonJND++，包含300个源图像及其压缩版本。利用深度学习建立了综合多种畸变类型的JND模型，并提出了基于图像质量评估的细粒度JND预过滤网络，以提高视觉无损压缩效率和感知质量。

该研究探讨了机器学习预测在随机数生成器（RNGs）的最小熵估计中的应用，此为密码学应用的关键组件，准确的熵评估对于网络安全至关重要。研究结果表明，这些预测器主要估计平均最小熵，这是这一领域中未被广泛研究的指标，并通过研究平均最小熵与传统最小熵之间的关系，重点关注它们对目标位数的依赖性。通过利用广义二进制自回归模型的数据，展示了机器学习模型（包括卷积和循环长短期记忆层的混合模型以及基于...

本文介绍了MMSD2.0数据集在多模态讽刺检测中的应用，提出了多视角的multi-view CLIP框架，显著提升了检测系统的性能。同时，研究探讨了Hate-CLIPper架构、MobileCLIP模型及eCLIP的改进，展示了其在多模态任务中的有效性和迁移能力。

通过提出 HQR 模型和 WACI 方法，我们在电力价格预测等复杂时间序列预测场景中评估预测间隔的有效性、效率以及关键特征的满足，克服了仅依靠点预测器构建预测间隔的复杂挑战。