通过研究幽默机制，将笑话分成两个部分：设定和妙语。由于底层模型的不断升级，我们能够将设置和妙语一起馈入 GPT-2 语言模型，并计算笑话的不确定性和惊喜度。实验结果表明，这两个特征具有更好的识别非笑话和笑话的能力。

Dec, 2020

采用无监督机器学习方法，设计了一种凸优化的复数神经网络，并利用训练好的网络进行了大量的数值实验，结果表明该网络能够高精度地检测出多体量子数据中的量子特征，如纠缠和局部纠缠。

Mar, 2021

本研究提出了一个基于机器学习的新型幽默挖掘方法，通过结合心理学、语言学与自然语言处理的最新进展，利用一万余篇滑稽论文构建数据集，成功实现自动检测幽默科学论文的任务，并有望在科学研究中发挥重要作用。

Jun, 2021

我们使用一种多目标遗传算法来高效生成支持向量机的量子特征映射，该方法能使得访问高维希尔伯特空间成为可能，并通过最小化量子特征映射电路的本地和非本地门成本来同时最大化分类准确度，对比了经典分类器以了解量子机器学习的优势，并显示出量子核方法的优化配置中需要包含比例数量的非本地门用于纠缠，以及证明数据的可分离性指标可以有效地用于确定量子支持向量机特征映射所需的非本地门数量，从而在基于数据分析的各种量子编程包（如 quiskit.org）中选择适当的参数（例如纠缠参数），我们的发现为增强量子机器学习算法的效率和准确性提供了有价值的指导。

Aug, 2023

本文创建了一个通过标注观众的笑声来注释训练数据的幽默系数得分的新型评分机制的多模态幽默注释数据集，用于训练一个给予音频及相应文本一个五分量表中的 “有趣程度” 分数的模型，并比较了各种神经语言模型的幽默评分任务，其 QWK 准确度达到了 0.813。

Oct, 2021

本文深入探讨了讽刺新闻标题的语法和语义结构，找到了制造幽默的关键词和概念，为构建制造幽默的系统提供了新的见解。

Jan, 2019

用量子密度矩阵可以在经典问答任务和图像分类任务中表现出更有效的性能。使用 Long Short-Term Memory (LSTM) 机制处理矩阵输入；结合 Convolutional Neural Network (CNN) 的新机制来解决这些问题，实验显示这种技术有着很好的泛化性能和高效性。

Mar, 2022

本文提出新的任务：判断一个笑话是否幽默，通过建立基于 Reddit 站点上近 16,000 标记实例的幽默评分模型，使用 Transformer 体系结构实现语句上下文的学习，取得了与人类表现可比较的成果，并在短笑话和双关语数据集上取得了 93.1% 和 98.6% 的 F-measure，这一方法超过了以前用于这些任务的所有先前工作。

Aug, 2019

通过编辑文本，我们研究了大型语言模型（LLMs）是否能够生成用于幽默检测的合成数据。我们对现有的人类数据集进行了基准测试，并展示了当前的 LLMs 在判断幽默性和幽默检测的下游任务中，能够令人印象深刻地去除笑话。我们还将我们的方法扩展到了一个混合编码的英文 - 印地语幽默数据集，发现 GPT-4 的合成数据得到了双语注释者的高评价，并为幽默分类器提供了具有挑战性的对抗性例子。

Feb, 2024

本文提出了一种基于量子的特征选择算法 QReliefF，可有效降低算法复杂度、提高计算效率，并通过仿真实验证实了算法的可行性。

Oct, 2023