本文提出了一种高效的物联网入侵检测方法，采用改进的注意力机制和混合CNN-BiLSTM架构，在N-BaIoT数据集上实现了99%的分类准确率，有效检测botnet攻击。

本研究针对自杀意念检测这一重要问题，通过整合卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合框架，提升社交媒体文本中自杀意念的识别效果。研究发现，改进后的模型准确率达到94.29%，并运用SHAP方法增强预测的可解释性，促进心理健康专业人员更好地理解和信任模型预测，从而为心理健康监测系统的发展贡献了重要价值。

本研究针对语音情感识别中如何在较低计算成本下选择相关特征表示的挑战，提出了一种轻量化的SER架构，结合了基于注意力的局部特征块和全局特征块技术以有效提取语音信号中的情感特征。通过在多语种基准数据集上的5折交叉验证，该模型达到99.65%的平均准确率，显示出在现有方法中具有领先的表现。

本研究针对现有道路监测系统在恶劣光照条件下无法有效检测道路表面异常的问题，提出了一种新颖的增强时间卷积网络（ETLNet），该模型结合了两个时间卷积网络层与一个双向长短期记忆层，利用智能手机的惯性传感器数据进行异常检测。研究结果显示，ETLNet模型在检测减速带时F1得分高达99.3%，显著提升了自动化道路表面监测技术的鲁棒性和效率。

深度学习在自动调制分类方面取得了新进展，为边缘设备上的无线信号处理提供了可能。通过研究三种常用的模型优化技术，提出了优化的卷积神经网络结构以实现自动调制分类。实验结果表明，这些优化技术对于开发复杂度较小的模型并在减少参数的同时维持或提高分类性能非常有效。

该研究介绍了UniBuc-NLP团队在SemEval 2024任务8中使用基于transformer和混合深度学习架构的模型。在子任务B中取得了强势的第二名，但在子任务A和C中出现了过拟合的问题。

该文介绍了一种基于多模态注意力神经网络的方法，用于预测抗癌化合物的敏感性。该方法集成了化合物的分子结构、癌细胞的转录组文件以及关于细胞内蛋白质相互作用的先前知识，通过用 SMILES 编码的化合物和癌细胞的基因表达谱预测 IC50 敏感性值。使用注意力编码机制编码基因表达谱，证明了该方法可以超越基准模型，增强了可解释性并使我们能够识别网络用于进行预测的基因、键和原子。