- 具有几何变换器的概率与可微分无线仿真
设计现代通信系统需要模拟电磁信号传播，为了解决相反问题和自动化设计，文章提出使用基于几何代数的可微分神经替代模型进行模拟。通过引入无线几何代数变换器（Wi-GATr）作为骨干架构，在三维环境中模拟无线传播。同时研究了基于可微分预测建模和扩散 - 一个活跃推理代理人，在层次结构中模拟人类翻译过程：整合任务片段框架和 HOF 分类方法
我们提出将人类翻译生产建模为三个嵌套的翻译过程的层次结构，通过模拟传感运动、认知和现象学层面上的按键生产的时间动态，利用来自 CRITT TPR-DB、Task Segment Framework 和 HOF 分类法的数据，我们展示了这三个 - 多视图自编码器教程
本篇论文针对多模态建模提出了一个统一的数学框架，同时扩展了 exttt {multi-view-AE} 库的文档和功能，通过基准实验评估实现的性能，并作为该领域的教育资源，旨在建立多模态建模的一致基础。
- 信念规则库混合专家系统的综合调查：决策科学与专业服务的桥梁
使用混合方法的信念规则库（Belief Rule Base，BRB）系统可以处理模糊性、随机性和无知，既能处理数值数据又能处理来自不同来源的语言知识，具有很强的适用性。本研究旨在探索 BRB 的演变和多方面应用，并通过分析其在不同领域的发展 - MTSA-SNN：基于脉冲神经网络的多模态时间序列分析模型
基于脉冲神经网络的多模态时间序列分析模型（MTSA-SNN）能够有效地分析复杂时间序列数据，并在多个任务中取得卓越性能。
- ICLRAirPhyNet: 利用物理引导的神经网络进行空气质量预测
本论文提出了一种名为 AirPhyNet 的物理引导神经网络方法，通过将空气颗粒运动的物理原理（扩散和平流）表示为微分方程网络，并利用图结构将物理知识整合到神经网络架构中，从而捕捉空气质量数据中的时空关系。实验证明，AirPhyNet 在不 - 一种新的深度隐藏物理模型泛化框架
这项工作介绍了一种对隐藏物理模型的新型增强方法，可以泛化处理系统输入、参数和领域的变化，并展示了该方法在系统发现方面的潜力，可以帮助学习变化后的系统输入、参数和领域配置的隐藏物理。
- 建模和解决 PDDL 绘图的挑战
通过使用 PDDL 对模型 Plotting 进行建模，并采用基于基础的现代化规划器来解决，我们研究了一种基于 Plotting 的规划问题。
- 基于复杂网络的患者路径建模与挖掘框架
提出了一个基于多方面图的路径模型，一种考虑流逝时间的新的路径相似度度量，以及一种基于传统中心性度量的路径挖掘方法，通过评估妊娠和糖尿病的病例，展示了该框架在发现类似路径、易于解释的表示以及根据多方面视角突出显示最重要模式方面的实用性。
- 机器学习方法在政策制定中异质治疗效果估计的公平性问题
政府在制定和执行政策时，灵活生成异质治疗效应估计的因果机器学习方法可能是非常有用的工具。本文认为，标准的 AI 公平性方法并不适用于所有因果机器学习应用，因为因果机器学习通常使用建模来为最终的决策者提供信息，而 AI 公平性方法则假设模型直 - 数据中的发现：启发式学习因果涌现
通过最大化有效信息来学习宏观动力学模型，进而捕捉和量化数据中的因果性出现模式，并展示了模型在模拟和真实数据上的有效性和优良的泛化能力。
- Standpoint-OWL 2 的自动推理支持
提出了一种利用各种不同（可能相互矛盾）视角中的知识进行建模和推理的工具，通过对基本逻辑进行增强来提供理论基础，并通过将立场增强版本的描述逻辑 SROIQ 转换为其普通（即古典）版本，在现有的推理器中应用，为多样立场的推理提供自动支持。
- 将立场检测建模为文本蕴涵识别，并利用社会科学的测量知识
本文通过实证分析探讨将立场检测问题建模为通用的文本蕴涵识别任务的可能性，并利用社会科学的测量知识提高模型性能。
- 交互决策模型中多样化智能体行为
该研究通过多智能体系统中代理行为建模的方法，探究在不确定性环境中如何解决代理之间信息不对称和隐私保护导致的建模不足问题，并提出了一种基于多样性特征的新颖行为选择方法，为在开放性人工智能世界中解决未知未知问题提供了思路。
- 特征等效性在跑道占用时间到达预测中的模型泛化
本研究采用树状模型进行机场实时跑道占用时间（AROT）的预测，替换分类特征，使用数值等效特征，实现对未见过数据的机场进行精确预测。
- 文档级神经机器翻译：方法与评估调查
这篇综述论文旨在总结文档级机器翻译的最新研究进展，重点讨论了神经网络模型、训练策略、评估指标等方面的创新，为该领域的研究者提供状态认知和未来方向。
- 信息检索的非组合式术语依赖
该研究探讨信息检索中词项的依赖关系及其影响，提出了用词的词频和语义证据相结合的方法处理查询中的依赖词项，并将其应用于非组成性短语，通过马尔科夫随机场的排名提高了检索效率。
- ACL通过系统组合提高数据驱动的词类标注
本文研究利用不同数据驱动系统之间的建模差异探讨如何应用投票策略和二级分类器来结合不同系统的输出，以提高词性标注任务的准确性，实验表明各种结合策略的标注器均优于它们的最佳组件，其中最佳组合标注器的错误率比最佳单个标注器低了 19.1%。