- NOPA: 构建具有社交智能的智能家居助手的神经引导在线概率辅助
本研究探讨如何构建社交智能机器人以协助人们在家中。特别关注在线目标推断方面的辅助，在这种情况下，机器人必须同时推断人类的目标及如何帮助他们实现这些目标。我们的 NOPA 方法解决了自适应性和规模性方面的挑战，该方法融合了神经元目标提案和反向 - 通过共享自主权进行机器人操作的在线语言纠正 ——“不，往右边
本论文提出了一种基于语言纠正的潜在行为框架（LILAC），旨在解决当前指令跟随机器人缺乏适应性和学习效率低的问题，通过在执行过程中在线纳入和适应自然语言纠正（“向右”，或 “不，向书”），从而实现对丰富的操纵领域的探索和高精度的操作，提高了 - AI-coupled HPC 工作流程
通过将人工智能 / 机器学习模型集成到传统超级计算机工作流中，这篇论文讨论了提高科学性能的多种方式和生产级用例，并介绍了解决极限规模 AI 结合 HPC 活动的主要挑战和几种框架和中间件方案。
- 低层次人工通用智能的神经进化
本文提出低层次人工智能学习的假设，介绍了一种学习生物神经网络模型的方法，并成功解决了三个模拟场景的问题，实现了适应性和普适性控制。
- ARES: 基于重建的局部自适应异常评分
本文提出基于自适应重建误差评分的方法来改善自编码器在异常检测中的性能问题，并在实验中证明了该方法的有效性与可行性。
- 通过强化学习实现配电系统电力负荷预测的最优自适应预测区间
该研究提出了一种基于在线学习的预测区间（PI）估计方法，该方法利用强化学习的在线学习能力来适应不同的数据分布，并通过神经网络模型自适应确定对称或不对称的概率比例对于分位数。该方法能够更好地适应数据分布，并获得更高质量的 PI，同时还具有更强 - 多臂老虎机实验中的适应性和混淆
本篇论文研究以往文献未解决的问题，提出了一种新的基于 Thompson 采样的算法（被称为去混淆 Thompson 采样），该算法在易于稳定的情况下发挥优越效率，在困难的不稳定情况下也表现出出人意料的韧性，可在具有不稳定上下文影响的武器性能 - 基于对比学习的自适应正负样本特征提取框架
采用对比学习和适应性正负样本的特征提取框架来提取无监督、半监督和有监督的单视图特征，该框架可以更好地处理噪音数据和提高特征提取的准确性。
- 学习蒸馏协作图用于多智能体感知
该研究提出了一种基于教师 - 学生框架和较大自适应度的 distilled collaboration graph 和网络，使多代理协作感知的性能 - 带宽折衷达到一个更好的平衡，并且实验结果证明其在 3D 物体检测中表现更好。
- 盲目图像质量评估的持续学习
本研究提出了一种针对 BLQA 的基于连续学习的模型，以提高模型的适应性和稳定性，通过新的预测头和正则化器来实现在不断增长的数据流中不断学习并避免灾难性遗忘，在所有预测头的估计的自适应加权求和得出最终图像质量评分。
- AAAI乐观自适应拉格朗日对冲
介绍了一种基于 Lagrangian hedging 的在线算法（包括 regret-matching 和 hedge），通过引入 optimism 和 adaptive step size 对非对抗性问题进行了优化，并给出了相应的性能界限 - ICML两种高效和信息丰富的负采样分布
本研究提出两种分布，实现了真正自适应的采样方案，能够在近乎常数的时间内产生负样本，相较于流行的负采样算法，基于 CPU 实现的本研究方法在 Wall-Clock 时间和准确性方面都显著优于最优化的 Tensorflow 实现在 NVIDIA - 使用图嵌入网络学习基于网格的仿真
MeshGraphNets 是一种利用图神经网络学习网格化仿真的框架，具有自适应性和高效性，能够应用于广泛的物理系统仿真任务。
- 扩展稀疏表示法的表现力
研究了一种简单的稀疏编码机制及其在学习中的应用，发现可以利用随机线性变换和 Winner-Take-All 过程将输入信息 $x$ 变换成更易于处理的稀疏向量 $z$，并且当 $m$ 足够大时，$z$ 可以近似表示 $x$ 的任意连续函数。 - CVPR强健的深度神经网络推理的部分权重适应
GearNN 是一种自适应的推理体系结构，它优化了少量的 “失真敏感” DNN 参数，根据输入的失真水平适应性地调整，从而提高了动态输入失真下 DNN 推理的准确性。
- 自适应方法的领域无关主导性
通过对自适应方法的简要分析，我们提出了 AvaGrad - 一种优化器，当其适应性调整得当时，其性能优于视觉任务中的 SGD。我们观察到我们方法的效果部分是由学习率和适应性的解耦实现，从而简化了超参数搜索。实践证明 AvaGrad 匹配了现 - AAAI元组相似度学习的主动序数查询
该论文介绍了一个通用的多元组查询方法，称为 InfoTuple，通过相互信息最大化采用一种新颖的方法，以实现多元组查询的自适应选择。在合成测试和新的人类响应数据集上，该方法在各种元组大小的性能均优于最先进的自适应三元组选择方法，并在经验上证 - 结合在线学习保证
本文提出了一种简单的方法，可以将两个具有不同遗憾保证的无参数在线学习算法结合起来得到一个新的算法，其遗憾值是两个算法中的最小值。此外，作者还提出了一种基于该方法的黑盒子算法，可以生成乐观的在线学习算法，并提供无拘束设定下的第一个乐观遗憾保证 - 自适应序列次模性
本文通过子模性的角度来解决适应性、顺序性问题，提出了具有强理论保证的自适应贪心策略，同时在亚马逊产品推荐和维基百科链接预测任务上进行了实验。
- 基于深度 ReLU 网络的 Besov 空间和混合光滑 Besov 空间学习的自适应性：最优速率和维数诅咒
通过对 ReLU 激活的深度学习在 Besov 空间及其变体中的函数进行近似和估计误差分析，可以得出深度学习可以实现最小最优速率并胜过其他线性估计器。同时，它可以避免在混合平滑 Besov 空间中出现维度诅咒，这些结果支持了深度学习在特征提