- 通过高斯过程在黑盒游戏中进行纳什均衡的无悔学习
这篇论文研究了学习在黑盒游戏中的挑战，其中底层效用函数对任何代理都是未知的。通过实证查询的形式，我们提供了一种利用高斯过程来识别这类游戏中平衡点的无悔学习算法。我们的方法不仅确保了理论上的收敛速率，还通过实验验证在各种游戏中的有效性。
- C2P-GCN: 细胞到区块图卷积网络用于结直肠癌分级
我们提出了一种新颖的细胞至块状图卷积网络 (C2P-GCN)，该方法通过双阶段图形构建，将整个 WSI 的结构数据整合到单个图中，有效地在腺癌病理图像中收集局部结构细节，并在所有块状图像之间建立有意义的连接。C2P-GCN 通过将整个 WS - 仅使用延迟输入进行物理库计算的高效优化
通过使用光电装置验证了一种最近提出的储层计算优化技术的实验。储层计算是一种强大的信号处理应用框架，而高效优化方法的发展仍是一个关键挑战。我们的技术仅利用输入信号的延迟版本来识别储层的最佳操作区域，简化了传统耗时的超参数调整任务。我们验证了这 - NeuroFlow: 自动驾驶系统轻量高效的模型集成调度策略开发
该研究提出了一种专用的自动驾驶系统，考虑到汽车系统的独特约束和特点，旨在在自动驾驶技术方面取得创新进展。该系统通过系统地分析自动驾驶中错综复杂的数据流，并提供动态调整影响深度学习模型的各种因素的功能。此外，对于不依赖深度学习模型的算法，系统 - 在数据约束场景中实现 CMF 估计：一种语义编码知识挖掘模型
该研究介绍了一种新的知识挖掘框架用于 Crash Modification Factors (CMFs) 的预测，通过引入自然语言处理（NLP）技术和实验验证，证明了该方法相比基线方法在 CMF 估计方面具有显著的精确性提升。
- 批量预测器在分布内通用化
研究批处理预测器的泛化特性，证明其具有与标准逐个样本方法相比指数级更强的泛化保证，并验证了在各种任务、架构和应用中的理论洞察力。
- ICML变压器是通用预测器
本研究发现了 Transformer 架构在语言模型方面的局限性，证明了它在信息理论意义上具有普适预测性，并在非渐近数据区域中分析了各种 Transformer 架构组件的性能，尤其是在数据有效训练的情境中。我们通过对合成和真实数据集的实验 - 基于特征隐写的无泄漏风格转移技术 - StyleStegan
本研究提出了一个新的基于特征隐写的无泄露样式转换方法，使用神经流模型实现无损失的样式转换，将内容特征信息隐藏在样式化图像中并控制其后续使用权利，实验证明 StyleStegan 有效地缓解了连续可逆风格转移任务中的内容泄露问题，并且性能指标 - 基于在线符合预测的正式安全保证的贝叶斯优化
本文提出了一种基于 Bayesian optimization 和在线 conformal prediction 的方法，称为 SAFE-BOCP，可以保证不会选择任何不安全的解决方案，同时具有高灵活性和实验验证。
- LLM （如 GPT-4）是否能在痴呆症诊断中胜过传统人工智能工具？也许，但今天还没有
本研究探讨了大型语言模型（LLM），特别是 GPT-4，在痴呆症诊断中的潜力和局限，通过对两个真实临床数据集的实验结果表明，尽管 LLMs 具有未来进步的潜力，但目前在诊断准确性方面仍不及传统 AI 工具。
- 利用热像检测同时预测手势、惯用手及关键点
本文提出了一种使用红外热成像技术进行的手势分类、左右手检测、手部关键点定位的深度多任务学习模型，通过在包含 24 个用户数据的自有数据集上进行实验验证，结果表明手势分类、左右手检测、指尖定位的准确率均高于 98％，手腕定位的准确率超过了 9 - 一种生成带有 XAI 地面真实性数据集的方法，以评估图像模型的新方法
本研究提出了一种生成具有真实标准数据集的新方法来衡量可解释人工智能的解释质量，并通过实验证明了该方法的正确性。
- MMTHz 多层成像的量子特征提取
本文利用基于学习的 THz 多层成像技术进行非接触三维定位和编码，并展示了新兴量子机器学习 (QML) 框架的概念验证，能够处理深度变化、阴影效应和双面内容识别等问题。
- 通过查看模型解释来解释预测不确定性
提取存在负面贡献性的词语可以解释使用预训练语言模型预测不确定性，这是对于模型决策辅助的重要补充，实验证明这项技术在模型解释和人类理解模型预测行为方面不可或缺。
- MM验证生物分子网络的实验设计
本研究提出了一种设计实验的方法，以有效地验证生物分子网络的正确性，采用高斯过程构建概率模型，并使用贝叶斯优化算法选择下一个样本点，在计算生物学领域的模拟数据下测试了该方法。
- 气象条件对大型风力机偏航运行功率的影响
本研究提出使用多个风力发电机进行实验验证的方法，使用叶片元素的气动模型来解析受到偏航影响的风力涡轮机的动力学，从而研究风场的集体控制的最佳控制策略和效果。
- 通过针对输入的网络剪枝改进特征归因
本研究提出一种通过对神经网络进行输入删减以生成细粒度贡献图的方法，该方法可以反映出全局重要性信息，并通过实验验证表明其效果优于其他方法。
- 距离矩阵的最优低秩逼近
本文研究了距离矩阵的低秩近似算法及其样本复杂度，在实验中得到了验证。
- 使用经验伯恩斯坦不等式的近乎最优乐观强化学习
本研究提出了一种基于方差置信区间的简单算法 UCRL-V，能够有效降低在未知有限通信 MDP 中的最优遗憾，并在多种环境下的实验证明 UCRL-V 算法优于现有算法。
- KDD常数时间图神经网络
本文介绍一种新型的节点采样方案，可以将图神经网络扩展到大规模网络中，同时保证了理论上的误差，并通过实验验证了该方案的速度和准确性。