- 利用课程学习增强时空分位数预测：经验教训
使用创新的课程学习范式，从空间、时间和分位数角度分别针对性地处理三种形式的课程学习，并结合堆叠融合模块，提高了复杂时空问题的性能和学习效率。通过广泛的实证评估，展示了该框架的有效性，并通过详尽的剖析研究探讨了课程学习对提高时空数据学习效率的 - QClusformer：基于量子变压器的无监督视觉聚类框架
利用量子计算机的先进性能，在非监督视觉聚类任务中设计了一种基于 Transformer 架构的 QClusformer 框架，并通过实证评估证明其在 MS-Celeb-1M 和 DeepFashion 等数据集上相较于其他方法表现更出色。
- 用于等变信息传递的高阶不可约笛卡尔张量
通过整合基于高阶不可约笛卡儿张量的消息传递神经网络，论文介绍了一种新的机器学习方法，用于高效地进行原子尺度模拟，表现出与第一性原理方法相当甚至更好的性能。
- 深度学习的无逆自然梯度下降快速方法
本研究提出了一种名为 FNGD 的快速自然梯度下降方法，通过在第一个迭代周期内计算逆运算，避免了在每次迭代中计算逆运算，从而使计算复杂度接近于一阶方法。通过在图像分类和机器翻译任务上进行实证评估，证明了所提出的 FNGD 方法的高效性。
- 差分隐私公正的二元分类
在本研究中，我们调查了在差分隐私和公平性的约束下的二元分类问题。我们首先提出了一种基于解耦技术的算法，用于学习一个只保证公平性的分类器。该算法接受在不同人口群体上训练的分类器，并生成一个满足统计平衡的单个分类器。然后，我们改进了该算法以加入 - GraphLLM：提升大型语言模型的图推理能力
通过将图学习模型与大型语言模型（LLMs）有机地融合，我们介绍了 GraphLLM，一种能够使 LLMs 能够熟练解释和推理图数据的先导性端到端方法，经过多个基础图推理任务的实证评估，结果展示了平均准确率提高 54.44％以及各种图推理任务 - ICCVRawHDR：单张 RAW 图像的高动态范围图像重建
通过将更多信息的 Raw 传感器数据与现有的 8 位 LDR sRGB 图像相结合，本文提出了一种适用于 Raw 图像的模型，通过学习曝光蒙版、双强度引导和全局空间引导等方法，实现对高动态范围场景的重建，并通过大量的 Raw/HDR 数据集 - BayesDAG：用于因果发现的基于梯度的后验抽样
基于随机梯度马尔可夫链蒙特卡洛 (SG-MCMC) 的可伸缩贝叶斯因果关系发现框架，无需任何有向无环图 (DAG) 正则化约束，直接从后验中采样有向无环图 (DAG)，同时绘制函数参数样本，适用于线性和非线性因果模型。基于合法的等价关系，我 - COLING使用非线性几何修正词向量偏置
本文研究了多个社会类别上的偏差问题，并构建了交叉子空间来去除这些交叉偏差，实验证明这种方法的有效性。
- 在线设施位置问题及其预测
我们提供了几乎最优算法，对具有预测固定需求点的在线设施位置问题进行求解，理论分析和实证评估均表明该算法在不同的位置预测误差下均能够维持较好的竞争比率。
- AAAI强化学习中的度量和连续性
本文通过介绍度量学和邻域的形式表述，建立了各种相似度度量之间的层次结构，并研究了这些度量的理论性质和在强化学习问题上的应用，同时结合实验结果，进一步探讨了这些度量方法的差异。
- IJCAI局部差分隐私下联邦学习中的实用聚合
本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐 - ICML正则化方法的稳健性和不确定性的实证评估
本文通过对 CIFAR-100 和 ImageNet 上使用现有正则化方法进行的实证评估，指出某些正则化方法可以作为保证深度神经网络（DNN）鲁棒性和不确定性评估的强有力基线方法。
- dynnode2vec：可扩展的动态网络嵌入
本文介绍了一种动态网络嵌入方法 dynnode2vec，解决了静态网络嵌入方法在动态网络上运用的问题，并在多个大型动态网络数据集上进行了实证评估。
- ACL用于非正式文本中的弱半马尔可夫条件随机场进行 NP 词块分块
本文介绍了一个基于现有非正式文本语料库（NUS SMS 语料库）的新注释语料库。新的语料库包括来自 26,500 个短信消息的 76,490 个名词短语，由大学生进行了注释。然后，我们探索了几种图形模型，包括一种新型的半马尔可夫条件随机场（ - 韧性单调子模函数最大化
本研究关注机器学习、优化和控制中的鲁棒优化问题，在面临多种故障或攻击时，提出了首个可扩展的曲率相关算法，用于近似求解单调子模目标函数，保证了优秀的逼近性能，并使用实验证明了该算法的有效性。