- 稀疏强化学习的双重稳健方法
我们提出了一种新的遗憾最小化算法，用于具有稀疏线性马尔可夫决策过程（SMDP）的情节性问题，其中状态转移分布是观察特征的线性函数。
- PP-GAN：使用带有 GAN 的地标提取器从韩国肖像到身份证照片的样式转移
该研究提出了一种基于深度学习网络和生成对抗网络的风格迁移方法，并采用面部标志遮罩保护面部特征以保留面部身份，同时使用格拉姆矩阵来考虑风格相关性，相比之前的研究表现出更好的迁移和保留性能。
- 关于激活和标准化对于初始情况下获得等距嵌入的影响
该论文探讨了深度神经网络中的 Gram 矩阵结构，在多层感知器中给出了层归一化与激活层一起导致 Gram 矩阵趋向等距的证明，进一步阐明了高阶 Hermite 系数在此方面的重要性。
- 通过 Gram 矩阵实现强韧性后门检测的 "Beatrix" 复活
本研究提出了一种新的技术，Beatrix（基于 Gram 矩阵的后门检测），利用 Gram 矩阵来捕捉特征相关性和适当的高阶信息，通过学习正常样本的激活模式来捕捉异常来识别被污染的样本，进一步提高了识别目标标签的性能，实验结果表明，我们的方 - CVPR增强的物体外观感知布局生成图像
该研究论文提出了一种新的布局到图像生成模型，通过引入上下文感知特征变换模块和 Gram 矩阵，成功地解决了目前现有模型中存在的局限性，实现了 COCO-Thing-Stuff 和 Visual Genome 数据集上的最佳性能。
- 激活函数对超参数化神经网络训练的影响
研究论文探讨了激活函数对过度参数化神经网络训练的影响，指出了平滑的激活函数在训练中的优势和尺寸较小的数据维度可能导致训练速度变慢的问题，并讨论了这些结果的应用和推广。
- ICCV基于图割的多模态风格转换
本研究提出了基于多样性的风格转换技术 (MST)，通过将风格图像特征聚类为次级风格组件，并采用图割公式将其与本地内容特征相匹配来明确考虑内容和风格图像的语义模式匹配，从而实现更灵活，更通用的风格转换技术。
- CVPR利用多阶段动态生成对抗网络学习生成时间变换视频
该研究基于 GAN，介绍了一种生成逼真的高分辨率时间流视频的方法，第一阶段生成真实内容的视频，第二阶段利用 Gram 矩阵提高了运动动态和最后生成视频的逼真性。实验证明，该方法优于现有的最新模型。
- 神经风格转移稳定性的表征与改进
本文研究实时视频风格转移，提出一种基于循环卷积神经网络的方法，利用 Gram 矩阵的特征分析实现时间一致性和稳定性的控制，不需要测试期间的光流计算并能在任意分辨率下产生高质量、时间一致的视频效果。
- 一篇关于快速、简单、稳健主成分分析的相关研究
本文提出了一种名为 Coherence Pursuit 的算法，用于从数据中检测和去除异常值，并得到主成分的低维子空间，该算法能快速计算并在不同模型的数据集中得到优异表现的同时，具有非迭代、可证明牢靠性和容忍大量非结构化异常值等特点。
- 带随机设计的 Gram 矩阵和最小二乘回归的 PAC-Bayesian 界
本文探讨了从 n 个独立样本中对随机向量的 Gram 矩阵进行估计的问题，并基于非渐进 PAC-Bayesian 概率界提出了四种类型的结果，包括鲁棒的 Gram 矩阵和协方差矩阵的估计，新的鲁棒最小二乘估计器和最小二乘估计器的精确收敛率。
- 混合模型 Gram 矩阵的谱分析
研究无穷大的观测数据中 Gram 矩阵的谱特性和其解析式，提供了谱聚类算法分析所需的理论基础，并在无线通信等领域提供了应用实例。
- 斯坦纳等角紧框架
简单张量组合的方法构造了一些 ETF 的无穷种族，在其本地域中构建向量，ETF 的 RIP 行为不如其连贯性好。
- 随机量子态的可分辨性
基于两个分析下界，在已知纯态系列中鉴别状态选择成功的概率 p，并使用基于 Gram 矩阵本征值的分析下界来降低渐近区分 n 个随机量子态在 d 维度中的可分辨性，其中 n /d 趋向于一个常数。尤其对于几乎所有的 n 维度的 n 个态系列，