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%。

本研究提出了一种无奖励的主动人类参与方法——代理价值传播，旨在解决强化学习中缺乏人类干预带来的安全性和一致性问题。实验结果表明，该方法在多种控制任务中表现优异，有效模拟人类行为，为强化学习的应用开辟了新可能。

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。

本研究提出了一种新方法，利用加权传播树和结构熵理论，解决社交媒体谣言检测中的时间性和噪声问题，实验结果表明该方法优于现有技术。

本文提出了一种协作混合传播框架（Co-Prop），旨在解决音视频分割中音频线索与分割结果时间不协调的问题。该方法通过音频边界锚定和逐帧音频插入传播，显著提升了多个数据集上的性能，并能与现有方法无缝集成。

本研究提出了一种新剪枝指标LLM-BIP，旨在提高现有结构化剪枝方法在评估连接重要性时的准确性。通过精确评估连接对变换器块输出的影响，该方法显著提升了剪枝效果，实验证明在多个推理任务中平均提高了3.26%的准确性。

本研究提出了一种新的假新闻检测模型CSDA，针对社交媒体上的假新闻问题。该模型通过提取因果子结构和少量OOD数据的对比学习，显著提高了检测准确性，实验结果显示其准确率比其他模型提升了7到16个百分点。

本研究提出CFPNet，解决了轻量级ToF深度传感器在有限视场下深度特征传播不足的问题。通过DAPM和LKPM模块，显著提升了深度补全性能，并在ZJU-L5数据集上验证了其先进性。

本研究提出了一种新的最大更新参数化（$bc$P），用于优化局部学习算法在神经计算中的复杂性。通过分析深层线性网络，发现$bc$P在无限宽度极限中具有独特性质，能够在不同宽度模型间转移超参数，并在特定设置下表现接近一阶梯度，对局部损失优化具有重要影响。

本研究解决了变换器中信号传播和梯度消失/爆炸的问题，分析了softmax注意力机制初始状态下的传播问题。通过随机矩阵方法，提出消除谱间隙的方法解决宽度上的秩崩溃，并通过实验验证其有效性。

本文提出了一种基于视觉归纳先验流传播的记忆效率实例分割框架，旨在解决数据不足问题。通过特定任务的数据增强和推理处理策略，提升了在VIPriors实例分割挑战中的表现，达到了0.531的性能。此外，研究探讨了多种深度学习方法在图像分割中的应用，强调了新技术的有效性和鲁棒性。

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。