矩陣的 QR 分解在電腦運算中可能造成誤差，本文探討一下一種改進版本的 Gram-Schmidt 正交化方法。 經典的 Gram-Schmidt 方法可能造成數值不穩定性。在電腦中，舍入誤差可能會累積，造成得到的

本研究提出了一种新方法FedGraM，通过嵌入格拉姆矩阵来抵御联邦学习中的非针对性攻击，显著提升模型的防御效果。实验结果表明，FedGraM在有限数据样本下优于现有防御方法。

本研究探讨深度强化学习的泛化能力，提出整合鲁棒适应模块的框架，以增强对环境动态的识别与应对，显示出在多种仿真任务中的有效性。

本研究解决了南非11种语言的语言识别问题，发现N-gram模型中有效的数据选择对语言频率分布至关重要，同时也探讨了多种预训练的多语言模型（PLM）在语言识别中的有效性。研究表明，Serengeti模型在不同模型中表现最佳，并提出了一种轻量级的BERT-based语言识别模型（za_BERT_lid），其性能与最佳的Afri-centric模型相当。

本研究分析了神经机器翻译模型在不同粒度上学习到的表示，并通过外围特性评估其质量。结果显示深层次的NMT模型学习了大量语言信息，包括词组结构和词类等语言单元。词汇语义和非局部的句法和语义依存在较高层次上表示更好。使用字符学习的表示比使用子词单位学习的更具有词形信息。多语言模型学习的表示比双语模型更丰富。

在数据摄取过程中，模式匹配是当代数据库系统中至关重要的阶段，它的目标是识别与不同数据表相关联的两组属性之间的相似性，本研究重新审视了这个基础问题，并基于大型语言模型进行了探讨，强调了在零射和少射场景下精确匹配属性的能力。

本研究论文介绍了一种有效处理孟加拉语下一个词预测和孟加拉语句子生成的双向长短期记忆网络模型，扩展了孟加拉语处理的范围，具有多样性和潜在影响力，在各种新闻门户网站上构建了语料库数据集，并在单词预测方面取得了卓越结果，uni-gram、bi-gram 和 tri-gram 的单词预测准确率分别达到 35%、75% 和 95%。

该研究发现，结合字符或子词的n-gram语言模型能显著提高手写识别系统性能，挑战了仅使用深度学习模型的观点。特别是结合字符语言模型的混合方法超过了基准，证实了混合方法在文档分析系统中的价值。

基于Transformer架构的大型语言模型（LLMs）在NLP应用领域展示了广泛的应用，对传统任务产生了重大影响。Transformer模型结合了深度学习、数据分析和神经网络设计，具有多功能性和潜力。

利用预训练语言模型为电生理插值和心房颤动分类进行微调，提供了竞争性的分类性能并进行了综合的可解释性研究。

简介 #Skip-gram1属于Word2Vec的一种，给定input，预测上下文，而CBOW（见补充）是通过上下文来预测input。 Word2Vec模型分为两个步骤2： 建立模型，这类方法与自编码模型有点像，建模不是最终目的； 通过模型获取嵌入词向量。 模型细节 #整体框架图 输入层...