本研究提出了一种新的跨模态对齐方法——结构引导跨模态对齐（SGCMA），旨在提升大型语言模型在时间序列预测中的应用。该方法通过学习状态转移图结构和语义对齐，显著提高了预测性能和泛化能力。

本研究评估了神经网络在城市废水管理中的应用，重点关注预测性能、模型复杂性和韧性。结果显示，尽管全局模型的预测性能更高，局部模型在去中心化场景中表现出足够的韧性，为可持续管理提供了有效的机器学习解决方案。

该研究提出了一种新颖的可解释模型iTFKAN，旨在解决深度预测方法的可解释性不足。通过模型符号化、先验知识注入和时频协同学习，iTFKAN在复杂时间序列数据中实现了优异的预测性能和高可解释性。

本研究提出HCAF-DTA模型，利用跨注意力融合超图神经网络预测药物-靶标结合亲和力。该模型通过构建药物分子超图和加权图提取特征，并采用双向多头跨注意机制建模分子间相互作用，实验结果表明其预测性能显著优于现有技术。

本研究探讨了多源模型在地球观测中处理缺失数据的有效性差异，发现模型性能受任务类型、数据源互补性及设计影响。有趣的是，移除某些数据源有时反而能提高预测性能，挑战了传统观念。

本研究提出了一种基于贝叶斯深度学习模型的乳腺影像学BI-RADS评分预测方法。结果表明，该模型在BI-RADS 2、3和5类别中具有显著的预测性能，尤其在区分恶性与良性样本方面表现出高准确性和敏感性。

本研究提出了一种部分可观察的高斯过程网络（POGPN），旨在解决高斯过程中的维数灾难问题。该方法通过建模潜在函数的联合分布，利用所有子过程的观测数据，显著提升了预测性能，展现出良好的应用前景。

本研究提出了Helix-mRNA模型，旨在解决mRNA序列优化中的复杂问题。该模型分析编码区和非翻译区，使用10%的参数实现了优于现有方法的预测性能，具有改善疫苗效果的潜力。

本研究提出动态快速决策树（DFDT）算法，以解决边缘计算中物联网数据流挖掘的资源消耗和适应性问题。实验结果表明，DFDT在有限的内存和时间条件下显著提升了预测性能，具有潜在的应用价值。

该研究提出了一种名为DemoGraph的上下文驱动图数据增强方法，旨在解决图数据稀缺和噪声问题。该方法利用大型语言模型生成知识图谱，在电子健康记录等任务中显著提升了预测性能和可解释性。

该研究提出了一种基于神经数据的高效模型，以提高心理韧性评估的客观性，展示了良好的预测性能，为心理学研究提供了新假说。

本研究提出了MAP和MAP++技术，克服了有向图卷积网络在$q$参数选择和信息传递方面的局限性，显著提升了预测性能，并在12个数据集上验证了其优势。

本研究提出了一种新方法LaNoLem，针对时间序列数据中的非线性动力系统建模问题，通过潜在状态实现时间依赖建模，从而提升动力估计和预测性能。

本研究提出了一种新型生成地理定位方法，解决了传统方法忽视模糊性的问题。通过扩散和黎曼流匹配，直接在地球表面进行去噪处理，显著提高了预测性能，并引入了概率视觉地理定位任务，展示了该方法的优势及潜在影响。

本研究提出了一种新颖的相关性-多样性增强选择（RDES）方法，以提升模型的泛化能力。实验结果表明，RDES在文本分类任务中显著优于十种基准方法，且结合思维链推理可进一步提高预测性能。

本研究探讨了有限标记数据下的图像分类挑战，提出结合半监督学习与卷积神经网络的方法。实验结果显示，该方法在CIFAR-10数据集上显著优于传统技术，提升了模型的预测性能和鲁棒性，具有实际应用潜力。

本研究利用图神经网络（GNN）模型，通过模拟星系团中的恒星质量来预测暗物质晕的质量，显示出比传统机器学习模型更优的预测性能，为未来的观测数据分析提供了新方法。

蛋白质的功能与其三维结构密切相关。科学家们开发了预训练的蛋白质语言模型ProSST，结合结构信息以提高预测准确性。ProSST在1,880万蛋白质结构数据上预训练，采用解耦注意力机制，显著提升了热稳定性和金属离子结合等任务的预测性能，成为蛋白质研究的重要工具。

本研究提出了一种混合损失框架，解决了时间序列预测中全局损失忽视关键子序列的问题。通过动态调整损失权重，该框架在不改变模型架构的情况下，提高了0.5-2%的预测性能。

大语言模型Y-Mol在药物研发中展现出强大能力，解决了领域知识不足和数据获取难题，提升了药物-靶标及药物-药物相互作用的预测性能，为药物研发提供了新工具。