研究团队提出了一种选择性熵正则化方法（SIREN），有效解决了大语言模型在RLVR训练中的“熵困境”。该方法通过限制探索范围、聚焦关键决策和稳定训练过程，精准调控探索行为，显著提升了模型在数学推理等任务上的表现。

本研究针对隐式神经表示中正弦激活函数的局限性，提出将输入层激活函数改为$ ext{sin}( ext{sinh}(2x))$的方法。结果表明，H-SIREN在计算机视觉和流体流动领域的表现优于多种先进模型。

本研究提出了一种新的深度学习音频系统对抗性攻击方法SirenAttack，并探讨了三种缓解策略。同时，评估了基于人工智能的网络威胁检测，强调了在现代数字生态系统中整合AI以增强网络安全的挑战与未来研究方向。

隐式神经表示（INR）通过神经网络将坐标映射为信号属性，推动信号处理变革。研究重点在激活函数设计：正弦激活的SIREN能处理复杂信号及导数，求解偏微分方程；小波激活因频率与空间定位能力优于正弦函数，可解析高频特征。后续提出变周期激活FINER、INCODE等，灵活调节支持频率，提升图像拟合、3D重建、神经辐射场及逆问题表现，并拓展至时间序列、非欧几里得域和医学成像。