使用动态规划算法和代数决策图作为主要数据结构来计算布尔公式的精确文字加权模型计数，并将该方法实现在 ADDMC 中，通过在 1914 个标准模型计数基准测试中的比较，展示 ADDMC 在加权模型计数上显著优于现有最佳的求解器。

Jul, 2019

本文提出了一种名为 FedDWA 的新型 PFL 算法，它利用参数服务器计算个性化的聚合权重，以此解决了传统加权聚合方法中需要客户端下载他人模型的通信问题和数据隐私问题。最终，基于五个真实数据集的实验表明，FedDWA 可以显著降低通信负担并实现比现有方法更高的模型精确度。

May, 2023

该研究介绍了一种基于元素权重聚合的联邦学习方法（EWWA-FL），旨在优化学习性能和加速收敛速度。通过将本地权重聚合到全局模型的个别元素级别，该方法允许每个参与的客户端对学习过程进行元素级贡献，从而提高了全局模型对不同数据集的鲁棒性以及实现了快速收敛。该方法具有灵活性，可以采用各种加权策略，通过全面的实验证明了 EWWA-FL 的先进性，展示了在各种骨干和基准测试中精确度和收敛速度的显著改进。

Apr, 2024

本研究使用 MaxSAT 问题中的 SPB 约束和子句权重技术，提出了一种新的局部搜索算法 SPB-MaxSAT，为 MaxSAT 局部搜索求解器的子句权重方法提供了新的视角和优秀的性能。

Jan, 2024

本文介绍了一种新的方法，使用黑箱预言机，通过 NP-Oracle 实际求解带权重赋值的模型计数问题和分布感知的满足分配的抽样问题，从而在中等规模的问题上获得了强大的理论保证。

Apr, 2014

本文提出了一种新的 AND-OR 图搜索框架，用于合成有限轨迹上的线性时态逻辑（LTLf），并在框架中设计了一种基于 DPLL 算法的程序来生成特定代理 - 环境移动，同时还提出了一种基于状态公式语法等价性的搜索节点等价性检查方法，实验结果表明，这些技术在许多情况下胜过了其他最先进的方法。

Feb, 2023

本文研究了在统计关系学中用于概率推断的加权一阶模型计数（WFOMC）任务，并证明了添加线性序公理后，WFOMC 仍可以在多项式时间内计算。作者提出了一种基于动态规划的新算法，可以在多项式时间内计算带有线性序的 WFOMC。

Nov, 2022

该研究提出了一种基于整数规划和强化学习算法的统一框架 DCSAT，用于解决不同类型的布尔可满足性问题，包括 MaxSAT、Weighted MaxSAT、PMS 和 WPMS 等。通过调整目标函数系数，构建了统一的整数规划表示方法，并基于 0-1 整数规划构建了适当的强化学习模型。基于二叉树搜索结构，在 SAT 问题上应用了蒙特卡罗树搜索（MCTS）方法，证明了该方法能够基于维纳 - 欣钦大数定律找到所有最优的布尔赋值。实验证明，该方法能够剪枝不必要的搜索空间，找到问题的最优布尔赋值，同时为 SAT 问题的监督学习方法提供多样的标签。

Dec, 2023

本文研究了数据感知动态系统的模型和验证，并将其扩展为线性算术。我们提出了 “有限总结” 的新语义属性，展示了有限总结对于 DDS 的线性时间、有限跟踪性质的证明是可判定的，并且展现了有限总结在形式方法和数据库理论中的具体应用。此外，我们展示了有限总结抽象的统一性质如何导致模块化结果。最后，我们演示了在原型实现中使用我们的方法的可行性。

Mar, 2022

本研究发现线性化自注意力机制与 90 年代早期的快速权重控制器存在正式等价，提出了一种基于增量规则编程指令的快速权重编程器，用以克服近期线性化 softmax 注意力变体的存储容量限制，以及提高动态学习率的计算效率，在合成检索问题以及标准机器翻译和语言模型任务上均获得明显优势。

Feb, 2021