- 自适应和最优的二阶乐观方法在极小极大优化中的应用
我们提出了自适应的、无需线搜索的二阶方法，以最优收敛速度解决凸凹最大最小问题，通过自适应步长，我们的算法采用简单的更新规则，每次迭代仅需解一个线性系统，消除了线搜索和回溯机制的需求，具体而言，我们基于乐观法则并将其与二阶信息合理地结合，与常 - 自扩展卷积神经网络
本文介绍了一种动态扩展卷积神经网络的新方法，通过使用自适应扩展评分作为扩展标准，解决了深度卷积神经网络中参数过多的常见问题，从而确保模型的复杂性与任务需求相匹配。该方法的一个显著优势是环保性质，因为它省去了训练多个不同大小模型的必要性。通过 - 动态平铺：一种无模型依赖的、自适应的、可扩展的、以推理数据为中心的高效和准确的小物体检测方法
Dynamic Tiling 是一种自适应和可扩展的模型无关的方法，可用于小物体检测，通过动态瓦片分割和最小化计算量来提高检测准确性，同时适用于各种操作环境，无需繁琐的重新校准，并通过大小过滤机制提高检测质量，实现了效率和准确性的新突破。
- ACL无监督全局推理下的多文档自动摘要
该研究提出了一种新的整体框架用于无监督的多文档摘要，通过综合度量指标 Subset Representative Index（SRI）平衡了源文件中一部分句子的重要性和多样性，并且经过了大规模实验进行了验证，其结果显示该方法在 ROUGE - 同步群检测
引入了一种变种的 Group Testing 问题，通过多种类型的物品组合才能得出阳性测试结果，提出了各种不同的算法以可靠地识别所有的半缺陷集合，并且在减少测试次数方面表现优秀，是目前基于解决更一般问题的基础结果的重要改进。
- 一种高效的在线凸优化内点方法
在线凸优化中一种新的遗憾最小化算法被描述，该算法具有良好的遗憾界限和适应性，并与内点算法在运行时间上相匹配。
- 元学习的自适应多教师知识蒸馏
本文提出了自适应多教师知识蒸馏与元学习，以指导学生从量身定制的集成教师中获得适当的知识。通过元权重网络的辅助，将输出层和中间层中多样但兼容的教师知识联合利用，以增强学生的表现。在多个基准数据集上进行的广泛实验验证了本方法的有效性和灵活性。
- Ada-TTA：自适应高质量文本到语音头像合成
本文提出 Adaptive Text-to-Talking Avatar（Ada-TTA），该方法在语音识别的背景下，设计了通用的零样本多扬声器 TTS 模型，并采用神经渲染技术来实现逼真的音频驱动的说话面部视频生成，实现了身份保护言语和逼 - ErfReLU: 深度神经网络自适应激活函数
本文介绍了一种基于 Erf 函数和 ReLU 的新型激活函数 'ErfReLU'，并比较了其与其他 9 种可训练激活函数在 CIFAR-10，MNIST 和 FMNIST 基准数据集上应用于 MobileNet，VGG16，ResNet 模 - 深度学习库对在线自适应轻量级时间序列异常检测的影响
本文研究使用不同的深度学习库实现两种先进的异常检测方法，探究深度学习库对于轻量级时间序列异常检测的影响，并通过实验证明其影响，从而提供一个选择合适深度学习库的参考。
- 基于 Granular-Ball 的高效自适应聚类算法 GBC
提出了一种新的聚类方法，名为自适应基于颗粒 - 球分化的聚类方法，能够高效识别形状未知、复杂的聚类，同时提供了一种有效的自适应方法来描述世界，并促进了自适应、高效的 AI 技术及密度计算模型的研究和发展。
- RATQ：一种用于随机优化的通用定长量化器
提出了一种用于梯度量化的固定长度量化器 RATQ，它能够使得优化的准确率接近信息论界限并且在性能方面表现较优，而且同样适用于分布均值估计和高斯向量数据的压缩过程。
- 交替最小化和 Nesterov 动量方法的组合
本文提出一种结合 Alternating minimization（AM）和 Nesterov's acceleration 的自适应加速交替最小化算法，可用于解决具有凸性和非凸性的优化问题，同时不需要任何有关问题的凸性或函数参数等知识。通 - 基于无监督深度学习的贝叶斯脑 MRI 分割
本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。
- 点云分类的自适应分层下采样
该研究提出了一种自适应化下采样方法来保留点云中的重要点，使其可以与任何基于图的点云卷积层结合成为一个卷积神经网络用于 3D 物体分类。该方法在点云类数据集 ModelNet40 中取得了最佳结果。
- 基于后继状态特征的深度强化学习在相似环境导航中的应用
研究机器人导航，提出了一种基于强化学习的算法，通过前期掌握的导航知识，能快速适应不同环境下的导航任务，并与经典基于规划的导航方法进行对比。
- NIPS基于 “惊奇度” 的 Zoneout
本文提出了一种新颖的递归神经网络正则化方法，称为 surprisal-driven zoneout，在该方法中，当 surprisal（上一状态的预测值与目标值之间的差异）较小时，状态会 zoneout（保持其先前的值而不更新），从而达到逐 - 高维非参数回归的极小极大优化
在两个稀疏假设下，推导了高维非参数回归的最小 $L_2$ 风险；通过区分特征重要性和局部平滑度，将贝叶斯高斯过程回归方法扩展到稀疏加性模型，实现自适应最优的最小极值。
- 适应性平均随机梯度下降法在逻辑回归中局部强凸性上的应用
该论文研究了带平均的随机梯度方法在监督学习问题中的应用，证明了该方法具有自适应性和较高的收敛率。
- ICML有限随机部分监控的自适应算法
本文提出了一种新的随时算法，实现了对于有限的随机部分监测任何实例的近似最优遗憾，特别是对于 “容易” 和 “困难” 问题，该新算法在对数因子内实现了极小化遗憾。对于容易的问题，它还实现了对数个体遗憾。最重要的是，该算法在对手策略位于策略空间