- 利普希茨算子的运算学习：信息论视角
基于神经算子的算子学习已成为一种有前景的通过数据驱动的方法，在无限维巴拿赫空间中进行算子近似。本研究针对利普希茨连续算子的神经算子近似的参数复杂性进行了探索，从信息论的角度建立了利普希茨算子的度量熵的下界，并指出神经算子架构的大小在达到近似 - 线性函数逼近作为计算有效的经典强化学习挑战解决方法
基于神经网络的价值函数的近似是领先的基于策略的方法（如 Trust Regional Policy Optimization (TRPO) 和 Proximal Policy Optimization (PPO)）的核心。然而，在状态空间和 - 大规模空间数据的迭代高斯过程近似方法
高斯过程是灵活的概率回归模型，但其计算规模受限；本文提出了全尺度近似方法，通过预测过程和协方差截尾相结合，减少计算开销，并引入新的预处理器和迭代方法以提高计算速度和预测方法准确度，在实验中证明它相较于现有方法在减少计算时间的同时，具备相同的 - ICLRVerlet 流：流动式生成模型的精确似然积分器
本文介绍了 Verlet 流，这是一类基于 Hamiltonian 动力学的增广状态空间的连续正则化流 (CNFs)，用于计算模型似然的近似，以克服在重要性采样 Boltzmann 分布时，需要精确似然度的限制。在实验中，我们证明了常用的 - 快速捕鱼：高效可扩展的深度主动图像分类的 BAIT 逼近
该研究论文介绍了两种方法来提高 BAIT 在计算效率和可伸缩性方面的性能，通过近似 Fisher 信息显著减少时间复杂度，从而使其在包括 ImageNet 在内的大规模数据集上高效使用，并提供了一个开源工具箱来实现最新的主动学习策略。
- ACL论文摘要内容单位在文本摘要评估中的作用
本研究通过生成语义角色三元组和大型语言模型来近似摘要内容单元（SCUs），探讨了在文本摘要中 SCUs 的使用条件和价值，并发现大型语言模型是实现最佳近似质量的最佳策略。
- 用于刚性 ODE 系统的慢不变流形逼近的物理信息神经网络方法
提出了一种物理信息神经网络（PINN）方法，用于发现 ODEs 的一般类别快慢动力系统的缓慢不变流形（SIMs），通过将向量场分解为快慢分量并提供底层 SIM 的闭合形式泛函的方法
- DynGMA：一种从数据中学习随机微分方程的强鲁棒性方法
本文介绍了一种从轨迹数据学习未知随机微分方程的方法，通过近似参数化 SDE 的过渡密度的高斯密度近似和动力学高斯混合近似方法，实现了对完全未知漂移和扩散函数的精确学习和计算不变分布，适用于低时间分辨率和可变的，甚至是不可控的时间步长的轨迹数 - 近似高斯过程的基准线和基准测试建议
高斯过程是机器学习工具箱中成熟且广泛使用的组成部分之一。论文提出了一种基于方法所期望的指标来比较高斯过程的近似方法的建议，并开发了一种训练过程，使用户不需要进行选择。研究结果表明，根据这些建议进行基准测试可以更清楚地了解领域的当前状况，并揭 - AAAI关于部分最优输运：修正 Sinkhorn 和高效梯度方法的不可行性
本文研究了两个非平衡度量之间的部分最优输运（Partial Optimal Transport，POT）问题及其在颜色转移或领域适应等各种人工智能任务中的应用。我们首先通过理论和实验证明了现有的 Sinkhorn 算法在 POT 问题上的不 - AAAIAIXI 智能体的动态知识注入
通过引入一个名为 DynamicHedgeAIXI 的新代理实现对 AIXI 的贴切逼近，通过使用一种时间自适应优先级构建的贝叶斯混合模型，该代理在表示动态变化的模型集合时表现出良好性能，实验证实该代理在传染病控制方面的实际效用。
- 在线训练前馈 SNNs 时的估计后突触效应
在线学习在脉冲神经网络中的推动作用是发展事件驱动模型以适应不断变化的环境并能够实时从连续数据流中学习的一项关键步骤。我们提出了一种名为 OTPE 的在线培训方法，用于训练前馈式脉冲神经网络，该方法通过引入时间动态来近似实时递归学习（RTRL - 解决双曲型偏微分方程的深度学习框架：第一部分
开发了一种基于物理信息的深度学习框架，用于近似解非线性偏微分方程，可以在不预先了解解的性质或不连续点的位置的情况下发展出震荡或不连续的解。
- 神经网络作为无限树状概率图模型
本文提出了一种创新性的解决方案，通过构建无限树状 PGMs 来精确对应神经网络，发现 DNNs 在前向传播过程中实际上是精确的 PGM 推理的近似，这种直接的近似揭示了 DNNs 的精神内核。
- 柔性车间调度问题的两阶段学习
本文提出了一个基于深度学习的两阶段学习框架 2SLFJSP 来解决制造和服务领域中非常重要的组合优化问题 —— 柔性作业车间调度问题（FJSP），该框架能够在毫秒级时间内生成高质量的解决方案，优于文献中最新的强化学习方法和其他常用的启发式方 - ICLR可微分信任域层用于深度强化学习
本文提出了可微分的神经网络层来通过闭合形式的投影来执行深度高斯策略的信任区域，为 Gaussian 分布导出了基于 KL 散度、Wasserstein L2 距离和 Frobenius 范数的信任区域投影。实验证明，这些投影层可以实现类似或 - 高斯过程的路径条件化
研究高斯过程的路径条件下的条件概率，给出了一类高效（具有多种应用背景，例如全局优化和强化学习）的近似方法。
- ICML神经分类器无限宽度极限的一般理论探讨
本文提出一个新的框架，将两种不同的神经网络极限理论联系起来，并证明在有限宽度的情况下，离散时间均场极限比常数核极限更有效。
- 大型网络系统中图谱的频谱表示与控制
通过谱分解、特征函数和逼近方式，探讨了基于图子的控制的特性，阐释了两类具有简单谱表示的图子，并简单探讨了谱分析方法在防疫传播方面的应用。
- IJCAI因子化概率信念跟踪
本文研究了在随机行为和观测存在的情况下，信念跟踪问题无法计算的问题。作者提出了一种新的算法，该算法可以保持概率信念在因果封闭的 beam 中的确切且高效的分解形式，扩展了基本公式与两种近似方法：信念传播形式和采样方法。