- DIN-SQL：基于上下文分解的自我修正文本到 SQL 学习
研究了如何将复杂的文本到 SQL 任务分解为较小的子任务，从而显著提高大型语言模型（LLMs）在推理过程中的性能，证明了将 SQL 查询分解为子问题并将这些子问题的解决方案提供给 LLMs 可以显著提高性能。在三个 LLMs 上的实验表明， - CVPR通过部件检索和组装实现非监督式三维形状重建
通过在实现中使用用户提供的一组三维部件的库，我们提出了基于自我监督的方法来将 3D 形状分解，使得对部件的选择和分解方式都可以进行完全控制。实验表明，这种方法比现有方法提供了更高的重构准确性和更理想的分解。
- 大型语言模型是多才多艺的分解器：为基于表格的推理分解证据和问题
本文使用大型语言模型对表格推理进行了分解，针对表格中的冗余信息，将大的表格分解为小的子表格进行推理，同时将复杂问题分解为简单子问题进行文本推理，实验结果表明，本方法在多个数据集上都表现出色并首次超越人类在 TabFact 数据集上的表现。
- 时间序列预测的时空分解与融合网络
利用 TSDFNet 神经网络的自分解和注意力特征融合机制来实现对时间序列数据的预测，同时解决了传统上严重依赖领域知识的特征选择问题以及深度学习模型的可解释性问题。
- 通过可扩展的搜索空间分解实现高效的端到端自动机器学习
VolcanoML 是一个可扩展的 AutoML 框架，通过将大型搜索空间分解为较小的空间单元，提高了搜索空间分解的表达能力并找到比 auto-sklearn 更高效的分解策略。
- EMNLP利用分解探针校准多跳问答系统的信任度
本论文探讨了利用多跳问题分解来探究神经问答模型的解释性，通过人类实验证明这种方法可以提高用户预测系统在某个问题实例上的性能，并且可以用来改进问答系统。
- 通过 3D 分解进行人脸伪造检测
本文提出了一种将人脸图像分解为 3D 几何形状、贴图和光照的计算机视图，使用人脸细节结合直接光和身份贴图来检测微妙的篡改模式并实现了最先进的性能表现。
- EMNLP无监督式问答问题分解
该论文提出了一种基于 ONUS 算法的无监督学习方法，通过将复杂问题分解为多个子问题，并利用互联网上的数据，来改善问答系统的性能。该方法得到了在多个测试集上的验证，并在流畅度上超越了监督和启发式分解方法。
- 基于网络特征提取的对抗性防御
该研究提出了一种基于分解 DNN 模型到不同功能块的方法，通过将每个图像的有效路径聚合到类级别的有效路径来检测对抗性图像，从而实现更好的准确性和更广泛的适用性。
- 多智能体强化学习中的策略蒸馏与价值匹配
本文提出了一种多智能体 Actor-Critic 算法，通过分解多智能体问题以及知识蒸馏和价值匹配等方法，使智能体之间能够共享信息并解决维度灾难问题，进而在离散和连续动作空间中实现更好的性能。
- 背景 / 前景分离的低秩加法矩阵分解：与大规模数据集的比较评估综述
该论文综述了基于低秩矩阵和稀疏矩阵分解的鲁棒子空间学习和跟踪算法，对现有算法进行了测试和排名，结果表明有 32 种不同的鲁棒子空间学习 / 跟踪方法在背景 / 前景分离中有不同的表现。
- 分治核岭回归：一种带有极小化最大风险的分布式算法
我们建立了基于分解的可扩展核岭回归方法的最优收敛速率。该方法通过将大小为 N 的数据集随机分为 m 个大小相等的子集，为每个子集计算独立的核岭回归估计器，然后将局部解的平均值得到全局预测器，从而在计算时间上实现了大幅度的减少。
- 使用分解法解决不完全信息博弈
介绍了第一种将不完美信息博弈分解为可独立求解的子游戏的技术，并实现了保证最优解的全局博弈解决算法和可生成大于可用存储空间的纳什均衡的离线博弈求解算法。
- MMdynPARTIX - 一个用于抽象论证的动态规划推理器
本文介绍了基于分解和动态规划的新型抽象论证系统，并提供了首次实验评估，证明了该方法的可行性。
- IJCAIAll Different, Global Cardinality 以及相关约束的分解
本文研究表明，像 ALL-DIFFERENT 和 GCC 等一些常见且重要的全局约束可以被分解为简单的算术约束，我们可以在这些约束上实现界限或范围一致性，甚至可以进行更大的削减。我们在一个伪布尔求解器中使用这些分解进行了实验。
- 超位置的缠绕
本研究旨在探究任意维度下的二分量量子态在两种情况下的纠缠性及其界限，证明两状态互补时纠缠界限较为简单，而在更普遍的情况下则较为复杂。
- 广义核心
本文介绍了基于顶点属性函数的图核心概念的概括，证明了对于本地单调顶点属性函数，相应的核心可以在 O（m max（Δ，log n））时间内确定。