本研究提出了一种新的xLSTM架构Distil-xLSTM，旨在解决自然语言处理领域中以Transformer模型为主导的问题。该架构通过从大型语言模型中提取知识进行训练，展现出计算和规模效率的优势，并能有效近似Transformer模型的注意力参数化。

本研究提出平铺闪存线性注意力（TFLA）算法，旨在解决线性 RNN 在长序列建模中的计算效率和内存消耗问题。TFLA 通过序列并行化显著提升内核性能，实验结果表明其速度优于优化的闪存注意力，为高效长上下文序列建模设立了新标准。

本研究提出了xLSTM 7B，一种基于xLSTM架构的7亿参数大语言模型，旨在提高推理速度。该模型通过优化设计，显著提升了推理效率，同时保持了良好的任务性能，具有广泛的应用潜力。

本研究针对当前基于注意力的语音增强模型在处理输入序列长度时的可扩展性问题，提出了基于扩展长短期记忆（xLSTM）的单通道语音增强系统xLSTM-SENet。这一新方法通过对比分析显示，xLSTM及LSTM能够在多个模型规模上与当前最先进的Mamba和Conformer系统相匹配或超越。最优的xLSTM-SENet2模型在Voicebank+DEMAND数据集上的表现超过了现有的先进模型，展示...

CDXFormer是一种新方法，利用扩展长短期记忆（XLSTM）提升遥感变化检测的准确性和效率。该方法通过特征增强层结合线性计算复杂性，解决了性能与效率之间的平衡问题。实验证明，CDXFormer在多个基准数据集上表现优异，具有重要的实际应用价值。

本研究提出了Bio-xLSTM，一种针对生物和化学序列的生成模型，旨在解决现有转化器在处理长基因组序列时的时间复杂度问题。Bio-xLSTM在小分子和蛋白质的上下文学习中表现优越，能够提供丰富的序列表示。

本文介绍了门控Transformer-XL（GTrXL）在部分可观察强化学习中的应用，展示了其在多任务基准测试中的优越性能。通过Actor-Learner Distillation，模型在保持推理速度的同时提高了样本效率。此外，提出了Block-Recurrent Transformer和xLSTM模型，解决了传统模型的瓶颈问题，并在多个基准测试中表现出色。研究还关注开放源码社区的数据集稀缺问题，发布了xLAM系列模型以提升AI代理的性能。

本文综述了面部表情识别（FER）领域的最新进展，包括深度神经网络、动态人脸表情数据库和半监督学习技术。研究提出了多种新方法和模型，解决了数据标记、类别不平衡及复杂环境下的识别挑战，并在多个标准数据集上展示了优越性能，推动了FER技术的发展。

本研究针对自闭症谱系障碍（ASD）早期检测中的客观性不足问题，提出了一种新的亲子互动积木游戏协议（PCB），旨在识别自闭症与正常发展幼儿之间的行为模式。同时，我们构建了一个大规模的视频数据集，包含40名自闭症幼儿和89名正常发展的幼儿，通过采用一种混合深度学习框架，实现了高达89.6%的早期检测准确率，能够极大地改善自闭症的早期诊断，提高临床决策的及时性与准确性。

本文研究了一种新型医学图像分割模型Vision Mamba UNet (VM-UNet)，该模型结合了状态空间模型和视觉上下文信息，展现出优异的分割性能。通过引入Visual State Space块和不对称编码器-解码器结构，VM-UNet在多个公共数据集上表现出色，为高效分割系统的开发奠定了基础。

本文探讨了多种基于LSTM的模型在计算机视觉中的应用，包括视频帧预测、图像字幕生成和视觉语音识别。研究表明，这些模型在多个基准数据集上表现优异，展示了LSTM在时空信息处理和自然语言生成中的潜力。

本研究提出了一种新型卷积神经网络架构Sequencer，结合LSTM以建模长距离依赖，表现优异。同时介绍了xLSTM和LiteLSTM模型，优化了LSTM的计算组件，提高了大数据学习效率，适用于物联网和医学数据。研究还分析了LSTM的关键组件，并提供了有效的超参数调整指导。