本研究提出了一种新方法，通过分析频域中的键值缓存能量分布，利用低频部分进行有效压缩，解决大型语言模型在长文本生成中的上下文窗口扩展问题。实验结果表明，该技术在长上下文任务中显著提高了效率和有效性。

本研究解决了现有数据驱动算法未考虑智能电表数据质量的问题，缺乏异常检测机制，无法有效区分异常数据的特征。文章提出了一种基于Isolation Forest算法和快速傅里叶变换过滤的异常检测框架，能够在时域和频域内有效识别和减轻异常数据对电力消耗数据的影响。这一方法的引入对于高比例智能电表的配电网络分析具有重要意义。

本研究解决了动量系数选择不明确的问题，这限制了对动量在随机梯度方法中作用的理解。通过将动量法解释为梯度的时变滤波器，提出了一种频域分析框架，从而形成了动态调整滤波特性的启发式优化器FSGDM，显著提高了模型的泛化性能。

该研究探讨了无监督学习的连续学习技术，提出LUMP技术以缓解灾难性遗忘。研究表明，非参分类器在低计算开销下可实现合理性能，并提出新的基准评估CL策略。通过强化经验回放和动态稀疏训练，提升模型的预测一致性和学习效果。此外，提出CLAMP方法，利用预训练语言模型显著减少遗忘，优于现有算法。

本研究解决了现有深度学习方法在结肠镜图像中准确分割结直肠息肉时面临的RGB信息有限和多尺度聚合特征对齐问题。提出的PSTNet通过集成RGB和频域信息，通过频率表征注意模块、特征补充对齐模块和交叉感知定位模块，实现了更加有效的息肉分割，在多个数据集上表现出显著的精确度提升，推动了计算机辅助息肉分割的发展。

ENSEI是一个基于同态加密的安全推理框架，显著提高了卷积计算效率。实验表明，在线时间减少5-11倍，安装时间减少33倍，总推理时间缩短10倍。研究还探讨了同态加密在深度学习中的应用，并提出多种优化方案，以提升隐私保护和计算效率。

本文提出了一种基于视觉显著性的人脸识别解释框架，利用CorrRISE算法生成显著性图，揭示人脸的相似与不同区域。实验证明该方法在解释人脸识别方面优于其他方法，提供了深入的洞察力。

本文介绍了一种新型计算机视觉模型Vim，采用双向状态空间模型，提升了图像分类、目标检测和语义分割的性能。同时，提出了改进的Vision Mamba和Multi-Scale Vision Mamba模型，优化了图像表示效果。EfficientVMamba模型通过有效的跳跃采样和卷积整合，降低了计算复杂性，提高了视觉任务的准确率。此外，VmambaIR方法在图像恢复任务中表现优异，克服了单向建模的限制。

本文提出了一种新颖的自级联扩散模型，通过频率截断和低分辨率模型的知识，快速适应高分辨率图像生成。该模型训练速度提高了5倍，仅需少量调优参数，能够有效处理高分辨率图像，保持结构一致性和生成质量，为超高分辨率图像合成提供了新思路。

CNN 模型易受到对抗攻击的脆弱性为安全关键应用的部署带来了担忧，本研究通过在频域中构建空间频率图层来探讨 CNN 模型的脆弱性，通过广泛的实验观察到空间频率 CNN 模型在白盒和黑盒攻击下比常规 CNN 模型更加稳健，此外，发现低频成分对空间频率 CNN 模型的鲁棒性有重大贡献，这些发现将有助于未来设计更加鲁棒的 CNN 模型。

本研究分析了对抗扰动在频域中的特性，提出了一种新算法，通过不同频率组合显著提高攻击效率，成功率达到99%。同时引入了归一化扰动可见性指数，优化了对抗样本的生成和迁移性能，增强了深度神经网络的鲁棒性。

本文探讨了现代机器学习和统计工具在随机系统识别中的应用，重点研究不稳定线性系统的参数识别及误差界限。提出了一种频域学习模型和时空预测方法，结合偏微分方程和凸优化技术以提升模型性能和可解释性。同时，分析了Kalman滤波器的设计及其鲁棒性，以及梯度方法对收敛速率的影响。

本文探讨傅里叶分析与扩散模型的协同关系，提出了一种改进的扩散模型架构，以解决训练不均匀等问题，从而显著提升图像合成效果。此外，研究介绍了基于粒子迭代的去噪扩散取样器（PDDS）和多视角祖先采样（MAS）方法，能够生成高质量的3D运动序列，并在样本生成的一致性和速度上表现优越。

本文提出了一种名为DiffLL的低光图像增强方法，利用波浪变换加速推理并降低计算资源使用，同时实现稳定去噪。通过高频率恢复模块，增强图像细节。实验结果表明，该方法在定量和视觉效果上优于现有技术，并在低光人脸检测中展现潜在价值。

本研究提出了一种新的图像拼接定位网络方法，使用具有视觉关注的多领域特征提取器和多接受域上采样器。该方法通过提取RGB、边缘和深度领域的注意力特征，并使用融合和下采样多领域特征的模块，再通过上采样注意力特征的模块来实现。实验证明该模型在CASIA v2.0数据集上表现优越。