- R&B -- 节奏与脑：通过人脑活动解码音乐的跨主体研究
本研究通过功能性磁共振成像（fMRI）测量的人脑活动，探究音乐是否能够从中解码。利用最新的数据集和预训练的计算模型，研究人员构建了神经数据和音乐刺激的潜在表示之间的映射关系，通过功能和解剖对齐技术解决了 fMRI 数据中低时间分辨率和信噪比 - 超维量子因式分解
本文提出了一种量子算法，用于有效地解码超向量，这是从超向量中提取原子元素的关键过程，是可解释学习和信息检索中超维计算（HDC）模型的重要任务。我们通过利用 HDC 和量子计算之间的相似之处，并利用量子算法的加速能力，提出了 HDQF，一种创 - 位到光子：直接渲染的端到端学习可扩展点云压缩
我们提出了一种点云压缩方案，通过生成可直接解码为可渲染的 3D 高斯图像的比特流来解决从有损压缩的点云中解码和渲染高质量图像的问题。该方案显著提高了渲染质量，同时大幅度降低了解码和渲染时间，相比现有的点云压缩方法。此外，该方案生成可扩展的比 - RNN-T 语音识别模型在 GPU 上的光速准确贪婪解码
使用 CUDA 图形条件节点，优化了 RNN-T 模型的解码过程，将其速度提升 2.5 倍，同时可以应用于其他解码算法获得 1.7 倍至 1.4 倍的速度优化，使得高吞吐量推理中的 RNN-T 模型性能接近 CTC 模型。
- 心智之眼：脑电波通过多模态相似性保持对比学习进行图像识别
本研究介绍了一种基于脑电信号的 MUltimodal Similarity-keeping contrastivE learning（MUSE）框架，用于解码图像，实现零样本图像分类。通过对脑电数据集进行正则化对比性脑电图像预训练，我们的方 - 迁移 Q-Star：面向 LLM 对齐的原理解码
利用转移学习方法的 Transfer Q * 技术在最优 Q - 函数的缺失情况下，通过对齐基线奖励与基线模型来间接估计目标奖励的最优值函数，有效减小了先前方法中存在的次优解的差距，并在多个合成和真实数据集上证明了其卓越的实证性能。
- 在 PyLaia 开源库中使用语言模型提升自动文本识别
PyLaia 是最受欢迎的开源自动文本识别（ATR）软件之一，最近改进包括可靠的置信度评分和解码过程中统计语言建模的整合，结果显示使用小型语言模型进行解码平均会将词错误率提高 13% 和字符错误率提高 12%。
- SIGIR生成式检索中的先行规划：通过同时解码引导自回归生成
本文介绍了 PAG，一种新的优化和解码方法，通过同时解码来指导生成式检索模型中文档标识符的自回归生成。PAG 为每个文档构建了一种基于集合和顺序的标识符，其中基于集合的标识符基于词汇标记建立，而顺序标识符则通过量化文档的基于相关性的表示获得 - Wills Aligner: 一个健壮的多主体大脑表示学习器
Wills Aligner 是一个强大的多主体大脑表征学习器，通过解决解剖差异问题，实现了在多主体中高效利用单个模型进行脑表征学习，并在粗粒度和细粒度的视觉解码任务上取得了最先进的表现。
- 透过刺激时序在体外神经网络上的信息编码与解码
通过研究刺激时间作为一种编码方法，本研究探讨了在输入和解码数据时寻找合适的编码和解码方案的主要挑战，并确定了产生线性可分离脉冲响应的刺激时机的界限和敏锐度。同时，我们还研究了线性解码器的最佳读取参数，包括时期长度、时间间隔和时期偏移量，并发 - DeFT: 带有 IO 感知的快速树注意力的树搜索型 LLM 推理
通过树搜索解码，DeFT 提出了一种基于 IO 的树注意力算法，实现了内存高效的注意力计算，加速了端到端推理任务的运行速度。
- 多语言模型的协同解码学习
我们提出了一种方法，通过在标记级别交替生成来教授多个大型语言模型（LLM）进行协作。我们将下一个标记由哪个 LLM 生成的决策建模为潜在变量。通过在潜在变量模型下优化训练集的边际似然，基础 LLM 自动学习何时生成自己，并在需要时调用其中一 - 大型语言模型上的从弱到强破解
通过实验，研究发现了对齐的大型语言模型存在监狱突破漏洞，提出了一种弱到强的监狱突破攻击方法，并介绍了一种针对该攻击的防御策略。
- 利用 Riemann 切空间映射和交叉频率耦合提升脑机接口中的运动想象解码
使用 Riemann Tangent Space Mapping 和 Dichotomous Filter Bank with Convolutional Neural Network（DFBRTS）这种新方法，该论文在 Motor Ima - 量子态分类的机器学习模型基准测试
量子计算是一个快速发展的领域，信息是由二级量子态（qubits）处理的，当前对 qubits 物理实现的要求需要通过不同实验精确校准，以克服噪声和失相现象，其中对测量状态进行分类的模型开发是关键一步，本文基于真实的量子设备对多种分类技术进行 - 通用 AI 辅助的无需联合训练的安全语义通信生成
提出了一种利用生成人工智能辅助的语义通信系统，采用多模型提示的方法来实现准确的内容解码，并通过生成扩散模型辅助进行覆盖通信，最终实现源信息的成功和安全传输。
- 结构化对话篇章分析
该篇论文介绍了一种基于结构化编码和矩阵树学习算法的对话语篇分析方法，该方法通过编码和解码进行分析，不依赖手工特征，并在实验中达到了新的最优效果。
- 利用投机抽样加速大型语言模型解码
介绍了一种基于 “假设采样” 的算法，将 Transformer 解码加速 2 至 2.5 倍，同时保持样本质量和预测分布。
- 使用跳过连接进行大脑信号的无主题分类
研究了使用脑电波编码词语的可行性，提出在卷积神经网络中使用跨层连接以帮助信息流动，并使用测试数据结果表明，在此情况下分类性能得到显着提高。
- 透过标注实现解析
该研究探讨了如何将基于上下文的分析方法转化为标注流程，并通过实验证明：推导树的线性转化和其与输入序列的对齐是实现精确标注标记的最重要因素。