- 半监督异构领域自适应中的解耦与伪标签
通过 SHeDD（Semi-supervised Heterogeneous Domain Adaptation via Disentanglement）这一端到端的神经网络框架，利用标记和未标记的来自不同数据源的数据，本研究旨在解决半监督 - 元学习线性二次调节器：一种基于策略梯度的模型无关 LQR 的 MAML 方法
在多任务、异构和无模型的情况下，我们研究了学习线性二次调节器（LQR）的问题。我们表征了基于策略梯度的无模型元学习方法（MAML）（Finn et al.，2017）在不同任务异质性设置下的稳定性和个性化保证。我们展示了 MAML-LQR - 增强嵌入用于定制检索
信息检索中的全面检索方法被应用于大型语言模型的前提学习中，这些检索方法早期用于经典应用，但近期多用于异构且严格的应用，需要改进小 K 值的检索。我们提出了一种改进的密集检索方法，通过学习预训练嵌入的低秩残差适应来实现任务特定、异构且严格的检 - DiviML: 模块化启发式算法用于神经网络在异构平台上的映射
数据中心中的异构深度神经网络调度器利用混合整数线性规划和基于模块化的启发式方法，通过自动分区和设备映射，优化了深度神经网络的计算性能并显著提高了解决方案的质量，可用于调度大型语言模型跨多个异构服务器。
- 在数据异质性下实现对用户隐私的均值估计
在这项工作中，我们提出了一个简单的异构用户数据模型，允许用户数据在分布和数量上存在差异，并提供了一种在保持用户级差分隐私的同时估计总体均值的方法。我们证明了我们的估计量的渐近最优性，并证明了在我们引入的设置中可以实现的错误的一般下界。
- 通过减少查询次数改进随机凸优化的本地 SGD：SLowcal-SGD
本文研究分布式学习场景中，M 台机器与参数服务器进行交互，以最小化公共目标函数。我们专注于异构情况，其中不同的机器可能从不同的数据分布中获取样本，设计出第一个本地更新方法，可以证明优于两种最突出的分布式基线：Minibatch-SGD 和 - ICLR多智能体强化学习中的选择性再生：减量化、重复利用、循环利用
本文研究了在多智能体环境中，某些智能体重新利用以前的计算作为训练的一种方式，证明了在全合作多智能体环境中，选择性转生可以导致比全新训练更高的回报和比全面转世更快的收敛速度，但在异构系统中选择智能体的选择至关重要。
- ECCV在精简 StyleGAN 时要注意差距
这篇论文提出了一种基于输出一致性和潜在空间的语义关系的潜在方向的蒸馏方法，以解决 StyleGAN 的蒸馏问题，该方法在蒸馏 StyleGAN2 和 StyleGAN3 方面的效果显著优于现有的 GAN 蒸馏方法。
- 异构多智能体零样本协同进化
本文提出一种基于协同进化的方法，用于在物理世界和多智能体协作环境中解决零 - shot 协调问题，并在一个协同烹饪任务中实现了这个解决方案。
- 异构分布式学习中的小批量对比本地 SGD
本文研究异构分布共享的随机梯度下降优化问题，通过对比 Local SGD 和 Minibatch SGD，得到加速的 Minibatch SGD 是解决高异质性问题的最优方法，并提出了第一个比 Minibatch SGD 更好的 Local - 图论平均场系统
本文考虑异质相互作用的扩散粒子系统及其大规模人口极限，其中交互是一种被底层图形表征的均值场类型，并以图上收敛。对于系统大小的增加以及底层图形的收敛，建立了大数定律的结果。极限由图上的均值场系统给出，包括独立但具有异质性的非线性扩散，其概率分 - 异构边缘计算系统中可证明保证的服务部署
本文提出了一种确定性的近似算法，通过一种新颖的方式将每个边缘节点划分为多个槽，其中每个槽包含一个服务，以最大化异构移动边缘计算系统中多个服务的总奖励，并在理论和模拟结果上得到了保证。
- IJCAI异质人员再识别综述：超越单一模态
本文综述了异构人员再识别中解决跨模态不一致性挑战的最新方法，根据应用场景将这些方法分为四个类别，描述和比较现有的数据集和模型，并从两个角度总结和比较代表性的方法，最后讨论了未来的研究方向。
- 基于模式的图卷积神经网络
该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。
- 利用泊松点过程建模异构网络干扰
本文提出了一种针对蜂窝系统下行信道的分析方法，利用随机几何方法将蜂窝固定在带权 Voronoi 单元格内，考虑包括防护区外部、交叉层干扰等影响因素，并采用 Gamma 分布简化干扰计算，从而有效地评估干扰环境对传输性能的影响。