- 跨不同化学领域的迁移学习：利用在小分子和化学反应数据上预训练的深度学习模型进行有机材料的虚拟筛选
使用机器学习预测有机材料属性是一种高效的虚拟筛选方法，本研究证明药物类小分子和化学反应数据库可用于预训练 BERT 模型以进行有机材料的虚拟筛选，并展示了其在机器学习模型训练中的优越性能，进一步加强了跨不同化学领域的迁移学习在有机材料的虚拟 - 制药中的人工智能个性化顺序决策研究方法、应用和机遇
药物行业中人工智能的应用已经经历了持续增长的阶段，主要应用于药物研发、个体化医学和癌症等治疗领域。使用先进的机器学习算法，通过考虑环境条件、生活方式和健康历史等因素，可以为每个个体制定定制化的治疗方案，从而优化健康结果。
- VREM-FL: 车联网联邦学习的移动感知计算调度一体化设计
自动驾驶领域的研究中，利用人工智能和机器学习进行车联网联合学习，通过智能车辆收集到的大量数据，在保护数据隐私和优化通信资源使用的同时，通过调度车辆的计算和传输，利用估算的无线电环境地图，协调全球模型学习，并达到降低训练时间和提高模型更新效率 - 癌症网 PCa-Gen：通过解剖条件控制的潜在扩散生成逼真的前列腺扩散加权成像数据
通过引入一种解剖条件控制的潜在扩散策略，我们探索了潜在扩散对于生成逼真的前列腺 DWI 数据的有效性。经验结果表明，我们提出的 Cancer-Net PCa-Gen 策略通过可控的肿瘤位置和更好的解剖和纹理保真度提高了多样性前列腺图像的合成 - 使用图卷积网络检测异常网络通信模式
GCNetOmaly 是一种基于图卷积网络和变分自编码器的异常检测器，用于保护组织的终端设备免受复杂的网络攻击，通过训练模型并应用于连接事件数据，以及机器之间的各种特征数据，该模型能够有效地检测异常行为。
- 大规模天文调查中的样本外泛化：健壮网络学习相似表示
机器学习模型在处理来自未来天文调查的离域样本时依然面临挑战，解释性方法通过使用相似性度量来检查预训练卷积神经网络在中心核对齐方面的性能与表示相似性之间的关系，发现当模型对分布变化具有稳健性时，在离域数据上，图像在网络层之间的表示会有较大变化 - 通过相似性和聚类分析 16S rRNA 基因序列数据，确定诺卡菌属的参考序列
改进的线性映射算法（LM）在基于 16S rRNA 基因的序列中，通过聚类和分类算法，成功实现了对 Nocardia 属物种的鉴定和分类，同时利用机器学习方法对未定义物种的 16S rRNA 基因进行了分类，取得了较高的准确率和识别频率。
- CommunityAI：面向基于社区的联邦学习
我们提出了一种名为 CommunityAI 的用于基于社区的联邦学习的新框架，通过共享兴趣、专业知识或数据特征来组织参与者，并在各自的群组中维护数据和参与者的隐私，从而使参与者能够共同贡献于训练和完善学习模型的过程中。
- 大规模预防性安全约束的自监督学习直流最优潮流
PDL-SCOPF 是一种自我监督的端到端原始 - 对偶学习框架，用于以毫秒级生成大规模 SCOPF 问题的接近最优解。该框架旨在通过结合传统优化方法和机器学习，缩小大规模优化任务之间的差距。
- 利用图神经网络增强 CFD 数据同化
我们提出了一种新颖的机器学习方法，用于在流体力学中应用数据同化，基于反问题优化与图神经网络模型。
- 解释可微潜在状态对医疗时间序列数据
应用机器学习从大规模时间序列数据中提取临床见解，解释潜在状态、预测结果，并通过算法识别白天行为模式以预测夜间行为。
- 集成学习是否一直在变得更好？
集成方法的性能在预测度量与损失函数的选择下是否随着包含更多模型而提升得到了研究。我们发现，当考虑到损失函数的凸性时，集成的平均损失随着模型数量的增加而降低，而当损失函数是非凸的时候，优秀模型的集成性能提升，而糟糕模型的集成性能下降。
- 基于量子支持向量机的新型特征选择方法
本研究提出了一种新颖的方法，量子支持向量机特征选择（QSVMF），将量子支持向量机与多目标遗传算法相结合。QSVMF 通过优化多个同时目标来实现：最大化分类准确性，最小化选定特征和量子电路成本，并减少特征协方差。我们将 QSVMF 应用于一 - 基于自然语言处理的方法：通过理解街景图像中的深层语义特征进行人类感知的映射
利用预训练自然语言模型的新框架，结合街景图像和机器学习，深入理解人类感知和场景感受之间的关系，并发现利用深层语义特征对于人类感知研究的重要性和解释力的提升。
- LiveTune: 动态参数调整用于深度神经网络训练
通过存储参数在系统的指定端口上并允许动态调整，我们提出了一个新的框架 LiveTune，允许在训练过程中实时调整参数，从而提供持续的训练会话。通过对我们的框架进行广泛评估，我们发现每次超参数改变可以节省高达 60 秒和 5.4 千焦的能量。
- 通过转移学习的自然语言处理研究：情感分析实证研究
通过预训练的 BERT 模型实现传递学习来增加情感分类的准确性，虽然结果完全正确，但仍需要进一步研究来验证模型的泛化能力。
- 多项式信念网络
基于贝叶斯方法的深度生成模型用于处理不确定性、稀疏数据和健康数据分析，通过数据驱动方式提取具有生物学意义的元签名。
- 对抗分布平衡与反事实推理
提出了适用于反事实推理的对抗分布平衡法（ADBCR），通过直接使用反事实估计结果来消除假性因果关系，证明了其在三个基准数据集上优于现有方法，并证明如果在训练过程中包含未标记的验证数据，可以进一步改进 ADBCR 的性能。
- 浓缩固溶合金中的惰性和化学上偏向的间隙扩散：机制和方法
通过机器学习和动力学蒙特卡洛方法的结合，在 Fe-Ni 合金中研究了滞后和化学偏差的间隙扩散，并提出了一种便捷的 AvgS-kMC 方法来确定间隙介导的扩散性能，强调了迁移模式的关键作用。
- 自主机器学习增强 X 射线单颗粒成像重建
本研究提出了一种端到端的自监督机器学习方法，通过仅仅使用衍射图像来恢复粒子方向并估计倒易空间强度，从而在 X 射线自由电子激光器的实验条件下展示了卓越的鲁棒性和显著增强的重建能力，标志着在目前 XFEL 上实施的单颗粒成像中的范式转变。