- EmT: 一种用于广义跨主题脑电情感识别的新型 Transformer
将神经生理学的先前知识融入神经网络结构可提高情绪解码的性能。通过引入一种称为 EmT 的新型变压器模型，将 EEG 信号转换为时态图形式，并设计了一种用于学习时态上下文信息的模块，EmT 在广义跨受试者 EEG 情绪分类和回归任务中表现出色 - 瓦格纳框架的系统化：图论猜想与强化学习
提出了一种使用强化学习来反驳图论猜想的方法，通过单人图构建游戏来最大化游戏得分，并通过选择适当的神经网络结构和引入新的带有拉普拉斯光谱标签的图数据集，系统化地探讨了这种方法并提出了四种不同的单人图构建游戏。
- 内在向量热网络
介绍了一种用于在三维嵌入式曲面上学习切向量场的新型神经网络体系结构，通过引入可训练的向量热扩散模块在曲面上空间传播向量值特征数据，该架构具有刚性运动不变性、等距变形不变性，以及局部切向基的选择不变性，对曲面的离散化也具有鲁棒性。在三角网格上 - 我的量子计算机有什么用处？物理感知神经网络的量子能力学习
用新的有关量子物理的神经网络架构学习能力模型，实现了在实验数据和模拟数据上均比基于卷积神经网络的最新模型取得了约 50％的平均绝对误差的减少。
- 通过深度平衡模型将自洽性融入密度泛函理论哈密顿量预测
该研究介绍了一个统一的神经网络架构，Deep Equilibrium Density Functional Theory Hamiltonian (DEQH) 模型，它结合了 Deep Equilibrium Models (DEQs) 来 - 增长微小网络：发现并优化表达能力瓶颈
在这篇研究论文中，我们提出了一种新的机器学习方法，通过在训练过程中动态地调整神经网络的架构来解决架构选择和优化问题，从而避免了需要进行昂贵的架构参数优化。我们通过从反向传播中提取信息来检测和解决功能梯度路径上的表达能力瓶颈，从而实现可扩展性 - 电荷密度预测的配方
在密度泛函理论中，电荷密度是原子系统的核心属性，可以通过它推导出所有的化学性质。机器学习方法在显著加速电荷密度预测方面具有潜力，然而现有方法要么缺乏准确性，要么缺乏可扩展性。我们提出了一个能够同时实现准确性和可扩展性的方案，其核心是使用原子 - ArchesWeather: 1.5° 分辨率的高效人工智能天气预报模型
本研究提出了一种基于 AI 的天气预测系统，通过将物理约束作为归纳先验嵌入到神经网络架构中，将 2D 注意力与基于列的注意力特征交互模块相结合，设计出一种名为 ArchesWeather 的转换器模型，证明了该设计改进了预测技巧。
- 小波科尔莫哥洛夫 - 阿诺尔德网络 (Wav-KAN)
通过在 Kolmogorov-Arnold 网络结构中引入小波函数，Wav-KAN 提供了一种可解释性和性能得到提升的创新神经网络架构。
- 改进转换器使用忠实位置编码
我们提出了一种基于数学基础的新位置编码方法，保证了不丢失输入序列的位置顺序信息，并且系统地改善了时间序列分类任务的预测性能。
- 用于疾病建模的数字孪生生成器
患者的数字孪生是描述其健康状况随时间演变的计算模型。我们描述了一种可以学习临床轨迹条件生成模型的神经网络架构，称为数字孪生生成器（DTGs），通过改变训练集并调整超参数，该架构可以为 13 种不同症状的患者生成准确的数字孪生。通过引入通用的 - 基于神经网络的混合系统辨识方法
我们考虑从有限数量的（状态 - 输入）- 后继状态数据点中设计一种基于机器学习的未知动态系统模型的问题，以便获得的模型也适用于最优控制设计。我们提出了一种特定的神经网络（NN）结构，其产生具有分段仿射动力学的混合系统，对网络参数具有可微性， - 多分支径向基网络预测复杂混沌行为
本研究提出了一种多分支网络方法，用于预测由复杂和混沌行为特征的物理吸引子的动力学。我们引入了一种独特的神经网络架构，由径向基函数（RBF）层和注意机制组成，旨在有效捕捉吸引子时序演化中的非线性相互依赖关系。我们的结果展示了使用包含约 28 - 线性动态系统的连续时间神经网络的系统构建
本文讨论了一种构建神经网络架构的系统方法，用于模拟一类动力系统，即线性时不变 (LTI) 系统。我们使用一种变种的连续时间神经网络，其中每个神经元的输出连续演化为一阶或二阶常微分方程的解。我们提出了一种无梯度算法，从给定的 LTI 系统中直 - 物联网入侵检测系统的多输入自编码器引导特征选择
该研究论文介绍了一种新的神经网络架构（Multiple-Input Auto-Encoder，MIAE），该模型通过无监督学习将异构输入转化为低维表示，并设计了特征选择层以选择信息丰富的特征。这种方法在检测入侵行为方面表现优秀，同时具有较快 - ChatGPT 备选方案：大型语言模型调查
通过对多个 LLM 模型的研究，本文不仅提供了全面的概述，还明确了现有挑战，并指出了未来的研究方向。该综述提供了关于生成型人工智能的当前状态的全面观点，为进一步的探索、增强和创新提供了启示。
- 自适应多层级神经网络在参数化偏微分方程中的应用及误差估计
通过神经网络架构解决高维参数依赖的偏微分方程问题，借助自适应有限元方法提高训练效率并控制逼近误差，并利用可靠的残差估计器测量观察误差，使网络输出只需要少量参数进行逼近，从而实现在局部细化网格上适应问题的解表示及稀疏图像的处理。
- CVPRFlowerFormer：使用流感知图变换增强神经网络结构编码
FlowerFormer 是一个强大的图形变换器，通过结合神经结构内的信息流，进一步加强表示学习，并通过双向异步消息传递和基于流掩码的全局注意力机制，显著优于现有的神经编码方法，扩展应用于计算机视觉模型、图形神经网络和自动语音识别模型。
- 可控的文本到三维生成：面对齐的高斯扩散
本研究主要关注在控制性文本生成 3D 场景方面的多视图控制网络架构，该网络结合额外的输入条件，如边缘、深度、法线和素描图，使用局部和全局嵌入来控制基础扩散模型，并通过优化实现 3D 生成，最终实现了高质量、可控的 3D 内容的生成。
- 暗环境下采用时间编码事件驱动神经网络的注视向量估计
本文研究了注视向量预测的复杂挑战，重点是在极低光条件下的创新方法，通过使用一种新的时间事件编码方案和专用的神经网络架构，将动态视觉传感器（DVS）事件与灰度引导帧无缝集成，生成连续编码图像输入到神经网络中，这种独特的解决方案不仅捕捉了活跃年