- 从标签比例学习布尔函数的难度
学习标签比例 (LLP) 框架在机器学习中日益重要。该研究关注 LLP 学习布尔函数的不可计算性，发现寻找满足 OR 函数一部分常数比例的子集 (包) 的恒定个子句的 CNF 是 NP 困难问题，同时探讨了学习偶函数的可行性，发现利用随机偶 - BQP^A 协议与潜在图分类器的几何量子机器学习
几何量子机器学习 (GQML) 通过嵌入问题的对称性来学习高效的解决协议。我们考虑了学习布尔函数属性的 Simon 问题，并将其与无监督电路分类问题相关联。通过几何 QML 的工作流程，我们从头学习了 Simon 算法，从而发现了一个关于某 - 布尔函数期望 Shapley-Like 得分：复杂性及其对概率数据库的应用
通过适应 Shapley 值以及类似的权力指数，本研究在概率设置下计算其期望值，研究了将布尔函数作为确定的可分解电路表示的可计算情况，并在 ProvSQL 系统中实现了这一算法，通过数据库来源验证了其可行性。
- Boolformer：使用 Transformer 进行逻辑函数的符号回归
我们介绍了 Boolformer，这是第一个经过训练的 Transformer 架构，能够执行完整的布尔函数符号回归。它能够预测复杂函数的简洁公式，并能够在提供不完整和嘈杂的观测数据时找到近似表达式。我们在广泛的实际二元分类数据集上评估了 - 对可解释性的 Shapley 值的反驳
该论文证明了存在着布尔函数，其中 Shapley 值提供了关于特征相对重要性的误导信息，相关的问题归结为与预测相关的特征的相关性或无关性，并且所有这些问题都与 Shapley 值在基于规则的可解释性方面的不足性有关。该论文通过证明，对于任意 - 深度神经网络二分类的噪声敏感性和稳定性
通过研究 DNN 分类器的布尔函数序列的噪声敏感性，深入理解了常见 DNN 模型中观察到的非鲁棒现象，并探讨了两种标准 DNN 架构（完全连接和卷积模型）在高斯权重下的特性。
- 算法信息论的电路复杂度表述
研究基于电路复杂度的先验模型，并使用它们来学习部分信息中的布尔函数。该模型假设，布尔函数或布尔字符串由一些电路的贝叶斯混合生成。在电路复杂度方面表现良好。
- 神经雕刻：通过修剪和网络分析揭示分层模块化任务结构
本研究提出了一种基于逐层单元剪枝和网络分析的方法，用于揭示任务中底层次模块的分层结构，结果表明该方法可以适用于布尔函数和视觉任务。
- 最近邻表示的信息容量
本文提出一种基于向量空间的联系性计算模型，其源于大脑的集成架构，模型中的记忆是由一组向量定义的，计算通过从输入向量到最近邻锚点的收敛执行，输出是与锚点相关联的标签。作者研究了该模型中布尔函数的表示，其中输入是二元向量，相应的输出是最近邻锚点 - Transformer 模型中的简洁性偏好及其学习稀疏布尔函数能力
本文对 Transformers 和 recurrent models 的归纳偏差进行大量实证研究，发现 Transformers 在形式语言的建模上相对较弱，但其在归纳偏差方面与 recurrent models 存在差异，可解释其在泛化 - 重新思考 Lipschitz 神经网络和认证鲁棒性：布尔函数视角
通过用布尔函数表示方法，研究证明了标准 Lipschitz 网络无法在有限数据集和 Lipschitz 函数逼近上进行鲁棒分类。提出了一种新的 Lipschitz 网络方法并通过实验验证了鲁棒性。
- 网络级联中计算的自发出现
该研究证明了阈值网络中的复杂布尔函数计算是自发发生的，它们通过逻辑自动机的形式表现为计算级联。研究还发现抑制的最佳分数与计算神经科学中的最优信息处理相关。
- 布尔函数分析
这本教科书是关于布尔函数分析的，通过傅里叶展开和其他分析手段研究布尔函数，旨在发展领域的基础并广泛概述其应用，可以作为工作研究人员的参考或一学期研究生课程的基础。
- 句子决策图的相对简洁性
本文旨在确定哪些布尔函数可以由小型的 SDDs 表示，同时将多项式大小的布尔函数表示集合与来自 Darwiche 和 Marquis 经典知识编译地图的表示类型进行比较。最主要的结果是通过等效的不明确的非确定性 OBDDs 对 SDDs 进 - 一个与 ZF 公理无关的学习问题
研究 Expectation Maximization 问题的可学习性和采样复杂度，特别是在布尔函数情形下的研究以及其与集合论关系的探讨，结论表明该问题的可学习性与集合论 ZFC 公理无关。
- ReLU 门深度神经网络在布尔输入上的下界
该研究借助 ReLU 挖掘深度学习的奥秘，以布尔函数为背景，考察了 ReLU 网络深度对模型大小的影响，并提出一种随机限制的方法来验证 LTF-OF-RELU 电路的最优性以及 ReLU 深度网络的难以压缩性，并展示出一种 Sum-of-R - 超参数优化：一种光谱方法
本文介绍一种基于布尔函数分析技术的超参数优化方法，应用于高维数据的神经网络训练，并借鉴压缩感知技术，仅需要均匀取样即可迭代并行计算，故速度极快。在实验中，相较于目前最好的工具，此方法能够将解决方案有效提高，且总运行时间比其他方法更快。同时， - 非交互式联合分布模拟的可决定性
通过分析布尔函数的性质，本研究得出当一个分布是有限域上的分布且另一个是 $2×2$ 分布时，非交互模拟问题是可判定的，并且可以借助不变性原理和正则化引理来确定样本数的收敛边界。
- SDDs 比 OBDDs 更为简洁
本文介绍了一种名为 sentential decision diagrams (SDDs) 的表达语言，证明了在布尔函数的表示中 SDDs 比 ordered binary decision diagrams (OBDDs) 更简洁，该结论 - 光滑布尔函数很容易：低灵敏度函数的高效算法
该文章证明了计算平滑的布尔函数的计算上界、点态噪声稳定性保证和局部纠正误差，为攻击布尔函数判断树猜想提供了新的证据和新方向。