- 婴儿中心家庭声音环境中的声音标记
通过于婴儿身上佩戴的记录设备，我们收集并标记了 22 个家庭中家庭声音环境中的噪音，并探讨了一个大型预训练模型（Audio Spectrogram Transformer [AST]）在这些婴儿中心化的环境数据以及公开可用的家庭环境数据集上 - 基于真实规模的视听命名事件的早期词汇习得模型
在一个真实的环境中，使用一种仅通过未注释的原始语音和视觉输入中的统计规律性进行学习的模型，研究证明婴儿通过统计学习能够有效地学习识别单词并将其与相应的视觉对象相关联，词汇增长的速度与婴儿观察到的相当。这一发现支持了统计学习在早期词知觉中的可 - 照料机器人的自主补被技术
提出了一种新的策略，通过使用 DWPose 和 Segment Anything 模型来确保无意中移动被子的婴儿能够及时准确地再次覆盖，通过 EM*D 深度学习模型来预测被子状态的转变，并引入一种增强损失函数来提高网络对被子状态变化的敏感度 - 快速准确的作用学习
婴儿在环境中积极学习，塑造自己的学习课程。研究通过深度学习架构模拟这种行为，结合全局认知地图探索和局部可用性学习，使用不确定性度量来指导学习，展现了最为平衡的探索策略，并提出了协调积极生成学习课程的三个关键要素。
- 使用自适应图卷积网络建模三维婴儿动力学
基于数据驱动的评估方法，通过提取婴儿的运动模式和应用图卷积网络，达到对婴儿神经发育的实际年龄预测，并提高了传统基于手动设计特征的机器学习基准。
- 照顾者的交流塑造婴幼儿视觉能力：双人游戏的计算研究
研究表明，照顾者的命名话语可以改善婴儿的视觉表征能力。
- 基于生成先验的高效领域自适应方法用于 3D 婴儿姿势估计
使用优化方法和生成先验结合对基于小数据集的婴儿 2D 和 3D 姿势估计进行领域自适应，证明 ZeDO-i 方法能够在只有少量数据的情况下获得高效的领域自适应，并在 SyRIP 数据集上取得 43.6 mm、MINI-RGBD 数据集上取得 - 基于无标记运动捕捉的动态高斯点插值可以重建婴儿的运动
利用动态高斯抖嗒实现稀疏无标记运动捕捉数据的易得到的精确 3D 追踪，为康复提供了便利。研究应用于婴儿和新生儿的可靠运动分析方法，通过改进场景的初始化，为各种临床人群提供了先进的运动分析工具，并重点关注婴儿的早期检测。
- 从视频中自动估计婴儿呼吸：基于深度流的算法和一个新颖的公共基准
通过使用深度学习，本研究从普通视频中估计婴儿的呼吸频率和波形，为婴儿呼吸监测提供自动、连续和非接触性的方法。通过构建 AIRFlowNet 模型并使用公开的婴儿呼吸数据集 (AIR-125) 进行训练和测试，结果表明该方法在呼吸频率估计方面 - 虚拟代理人的发展好奇心和社交互动
本研究使用虚拟婴儿代理，在无外部奖励的情况下，测试了与人类探索的动机类似的内在奖励功能，并发现了好奇心式的内在奖励和有关性交互的连续性有助于引发探索和生成动态的社交行为和强大的预测世界模型。
- CVPR逆向工程婴儿自我中心视角的分布结构，以训练可推广的图像分类器
分析婴儿视角的自我中心视图，研究发现儿童自我中心视图分布比成年人更为多样化，通过计算模拟该分布并证明其有益于培养更广泛的图像分类器。
- KDD利用可穿戴传感器的全天运动数据预测婴儿运动发展状态
使用可穿戴传感器和机器学习算法来区分典型和风险婴儿的自主运动，以进一步建立早期自主运动与发育轨迹之间的联系。
- 人工智能时代的认知科学：逆向工程婴儿语言学习者的路线图
通过机器学习和可穿戴技术等工程科学的显著进展，研究如何在复杂的学习环境下，通过分析婴儿的语言发展过程、比较婴儿与机器的学习成果以及通过多种测试手段对机器学习进行评估等一系列条件和措施来揭示婴儿语言习得的科学原理。