该研究提出RePPL方法，旨在提升大型语言模型在幻觉检测中的解释能力。通过重新校准不确定性测量，提供可解释的标记级不确定性分数。实验结果显示，该方法在问答数据集上表现优异，揭示了幻觉的混乱模式，具有广泛的应用潜力。

本文提出施雷尔-余数图传播（SCGP）方法，解决图神经网络在处理图数据时的过度压缩问题，改善节点间信息传递。SCGP提升节点特征，保持拓扑结构，增强长距离信息传递性能，并在分类基准测试中表现优异，具有低推理延迟和高可扩展性。

本研究提出了一种新型图神经网络架构GraphPINE，优化节点重要性，克服了可解释性方法的局限性。GraphPINE在癌症药物反应预测中表现出色，具有广泛的应用潜力。

该研究提出了一种新策略，针对在线社交网络中有限信任对影响力传播的影响。通过控制理论优化多代理目标选择，实验证明该方法在改善舆论和减少极化方面优于传统方法。

本研究提出了一种针对均场优化问题的随机算法，解决了有限粒子系统的依赖性问题。该算法基于Stein变分梯度下降，能够在特定条件下收敛至最优分布，并生成独立同分布样本，显著提升了算法的有效性和应用潜力。

本研究提出了RelGNN框架，解决了异构图神经网络在关系数据库建模中的低效问题。通过引入原子路线和复合信息传递机制，显著提升了预测建模的效率和准确性，实验结果显示在30个真实任务上精度提高了25%。

本研究提出了一种新的低延迟联邦学习框架LoLaFL，旨在解决传统联邦学习在第六代移动网络中的低延迟问题。通过前向传播和非线性聚合，显著减少通信轮次，降低延迟，具有重要的应用潜力。

我们提出了一种直观而有效的方法来编辑复杂的空间变化数据集的外观。在我们的框架中，用户通过执行将相似的编辑应用于 […]

神经网络，从大学时期就听说过，后面上课的时候老师也讲过，但是感觉从来没有真正掌握，总是似是而非，比较模糊，好像懂，其实并不懂。 为了搞懂神经网络的运行原理，有必要搞清楚神经网络最核心的算法，也就是误差反向传播算法的工作原理，本文以最简单的全连接神经网络为例，介绍误差反向传播算法的原理。