- 改进的稀疏 Ising 优化
稀疏伊辛问题的性能得到了极大的提高，通过引入一种启发式算法，在一些常见的基准问题上达到了两到四个数量级更高的速度和准确性，并找到了比以前报告的解决方案更好的解决方案。
- 设计优化和基于深度学习的反向设计的性能比较
比较传统设计优化方法和基于深度学习的反向设计方法在各种场景下的性能，并提供指南以增强后者在实际工程设计问题中的实用性。
- 高资源编程语言到低资源编程语言的知识转移：面向代码语言模型的研究
通过使用半合成数据的有效方法，本文提出了一种提高 Code LLMs 在低资源语言上性能的方法，应用于 Racket、OCaml 和 Lua，通过在 Stack 数据集上训练并使用 MultiPL-T 生成的数据，实现了最先进的性能。
- 无监督环境设计中有效的多样性
利用强化学习的自适应课程和基于新颖距离测量的方法训练代理来适应不同的环境设计，与其他无监督环境设计方法相比，证明了本方法在文献中使用的三个不同基准问题的多样性和有效性。
- 偏微分方程算子学习的 Transformer
本研究提出了一种基于自注意力机制的模型 Operator Transformer（OFormer）用于数据驱动的偏微分方程算子学习，该模型相对于传统方法不依赖于采样模式，并在标准基准测试中表现优异。
- CARL：一种用于上下文和适应性强化学习的基准测试
CARL 是一个基于理论框架的 RL 基准环境集合，包含了多个经典控制，物理模拟，游戏和实际应用领域任务，该研究证明了在考虑上下文时，从策略学习中分离状态的表征学习可以更好地实现泛化。
- IOHprofiler：迭代优化算法基准测试和性能分析工具
IOHprofiler 是一个用于分析和比较迭代优化启发式算法的工具，可以评估算法性能并跟踪算法参数的演变，是评估任意基准问题运行时间数据的独立工具，可在 GitHub 上获取。
- ECCVARiA：利用 Richard 曲线控制深度神经网络中激活函数的非单调性
本文介绍了一种新颖的激活单元 ARiA，它可以有效地应用于深度神经网络（DNNs），并且表现比传统的 ReLU 要好得多。该函数是专门 Richard's 曲线的两个参数版本，它是非单调的，类似于新引入的 Swish，但是可以通过变换超参数 - OpenAI Gym
OpenAI Gym 是一个用于强化学习研究的工具包，包含多个基准问题的集合，提供共同的接口，并提供一个网站，可以分享结果并比较算法性能。本文探讨了 OpenAI Gym 的组件和软件设计决策。
- MM第三届开放式答案集编程竞赛
本文报道了第三届 (开放式) ASP 竞赛的格式以及结果。该竞赛旨在比较不同基于声明性编程的系统在一系列基准问题上的表现，并讨论了竞赛与第二届 ASP 竞赛以及一些基准领域的最新解决方案的比较。