- 最优不确定性引导的神经网络训练
本文提出了一种高度可定制的平滑成本函数来开发神经网络以构建最优预测间隔，在风能和电力需求数据上进行了测试，结果表明该方法减少了 PI 质量的变异性，加速了训练并将收敛概率从 99.2％提高到 99.8％。
- 使用预测和非凸损失的在线优化
本文提出了两个有效的充分条件来解决在线非凸优化和运动成本问题，并得出了算法 SFHC 的竞争比率，并且还为运动和击打成本提供了竞争比率结果。
- 战略分类是伪装成因果建模的技术
通过引入因果框架来研究策略适应问题，揭示了与游戏与改进相关的一些难点，提出了分类器设计与成本函数设计必须解决非平凡因果推断问题，而过往在策略分类方案的研究实际上是具有隐性因果模型的。
- 一种改进的层次聚类树代价函数
提出了一种新的代价函数，基于 Dasgupta 的代价函数，解决了旧代价函数无法度量原始相似图与分层结构一致性的问题，并提出了一个多项式时间算法进行计算。
- 量子辅助的量子编译
提出了一种基于变分混合量子 - 经典算法的量子编译方法 (QAQC)，使用可训练的可逆门 $V$ 和目标可逆门 $U$ 的重叠作为编译代价，通过量子计算进行评估，其编译成果可以用于量子算法深度压缩、黑盒编译、噪音缓解和基准测验。
- 离线变点检测方法综述
本文介绍了多变量时间序列离线检测的多个变点的算法。为了组织这个广泛的工作领域，采用了一种一般但有结构化的方法论策略。此次审查中考虑的检测算法由三个因素组成：成本函数、搜索方法和对变化数量的约束。对这些因素进行了描述、回顾和讨论。文中描述的主 - 利用卷积神经网络广泛匹配图像补丁
本文提出了一种基于金字塔池化层的图像匹配算法，它可以高效地利用较大的窗口信息来生成匹配代价函数，并在 Middlebury 基准测试数据集上取得了接近最优表现。
- 以不安静强盗策略为特点的机会调度
本文研究了多用户情况下的能源效率调度问题，考虑了有限队列、延迟和传输能量耗费对传输的影响，采用 Whittle index 方法计算用户优先级，结果表明该算法优于最大权重调度和加权公平调度策略。
- 稀疏切割和扩散度量下的近似分层聚类
本文研究了关于层次聚类的成本函数及其 NP 难度，提出了基于逐层递归分割的启发式方法以及基于凸松弛的近似算法，并分析了两者的逼近误差和时间复杂度，讨论了在假设条件下问题的难度。
- 梯度下降仅收敛到极小值点：非孤立临界点和不变区域
研究非凸二次可微成本函数的梯度下降问题，在一定的限制下得出收敛到鞍点的初始条件的测度为零的结论。此外，该结果扩展到前向不变凸子空间，并提供了可允许步长的上限。
- 朝着有原则的无监督学习
该论文提出了一种新的无监督学习成本函数 (ODM)，其测量了预测分布和标签分布之间的差异，并演示了在极少量标记训练情况下，如何使用 ODM 成本进行一次领域自适应。
- 一种基于相似性层次聚类的代价函数
本文介绍了一种适用于一组点之间的层次结构的简单代价函数，该函数基于这些点之间的相似性，克服了现有算法由于缺乏精确客观函数而退化的问题。作者进一步证实该方法在经典实例中表现出良好的性能，并提出了一种上行建设程序，其近似比可以证明是好的。
- 多边际最优输运：理论与应用
本篇综述介绍了近五年来备受关注的多重边际最优输运问题，包括其在 Monge-Kantorovich 问题上的推广、解的独特性、结构和代价函数。我们回答了这些问题，揭示了它与传统的两个边际模型的密切关系，以及与代价函数之间的微妙依赖关系。此外 - 差分隐私分布式优化
本文研究带有隐私限制的分布式优化问题，即私有分布式优化（PDOP）问题，提出了一类迭代算法来解决该问题，并达到了差分隐私和优化值的收敛，同时分析了算法的准确性和隐私水平与参数之间的关系。
- 随机超优化
使用马尔可夫链蒙特卡洛采样器快速探索所有可能的程序空间，将循环无关的二进制超级优化任务表示为随机搜索问题，将变换正确性和性能改进的竞争约束编码为成本函数，虽然我们的方法牺牲了完整性，但我们能够考虑到的程序范围和我们所生产的程序的质量远超过现