- 单细胞基因组学中的增强基因筛选：预过滤协同与强化优化
近期单细胞基因组学的新进展要求在基因面板选择上精确以有效解读复杂的生物学数据。我们提出了一种迭代的基因面板选择策略，该策略能够整合其他基因选择算法的结果，并引入强化学习中的探索过程，以提高我们的框架的效率并动态地精细调整和定位基因面板选择。
- CVPR选择性立体：自适应频率信息选择用于立体匹配
基于选择性循环单元（SRU）和上下文空间注意力（CSA）模块的选择性立体匹配方法能够同时捕捉边缘的高频信息和平滑区域的低频信息，以减少细节丢失、边缘模糊和纹理区域的错误匹配。
- EBFT: 有效和块级的稀疏 LLMs 微调
我们提出了一种基于最小化重构误差的高效快速稀疏 LLMs 微调框架，通过采样小数据集进行校准，并利用反向传播逐块优化重构误差，从而获得最佳解决方案。我们在各种基准测试中进行了广泛实验，始终证明我们的方法优于其他基准线。
- 上下文感知迭代策略网络用于高效光流估计
通过学习上下文信息，确定每个样本的最佳迭代次数的上下文感知迭代策略网络用于高效的光流估计，并且可以轻松集成到最先进的光流网络中，同时在 Sintel/KITTI 数据集中降低计算复杂度约 40%/20% 而保持性能。
- 基于深度学习的通信系统动态用户效用需求资源分配器
本研究提出了一个基于深度学习的资源分配算法（ALCOR），该算法允许用户根据应用层进行自由调整，并使用深度神经网络作为策略来解决时分共享问题中的用户效用需求最大化的优化问题。对 ALCOR 进行的收敛性分析和数值实验验证了其有效性。
- MC-Stereo：多峰查找和级联搜索范围进行立体匹配
基于迭代优化的 MC-Stereo 框架通过多峰查找策略缓解了匹配中的多峰分布问题，并通过级联搜索范围将粗糙到精细的概念整合到迭代框架中，此外，引入预训练网络作为特征提取器提升了立体匹配流水线的前端，基于这些改进，MC-Stereo 在 K - ICMLPMaF：基于深度声明式层的主部特征
利用可微分的深度声明层，即最小二乘球（LESS）和隐式特征分解（IED），学习主要的矩阵特征（PMaF），将数据特征表示为包含来自高维矩阵的主导信息的低维向量。
- 通过无悔动力学求解健壮 MDP
通过解决最小最大迭代优化问题的简单框架，我们利用在线非凸学习和改进策略梯度方法的技术，提出了一种算法，该算法在 $O (1/T^{1/2})$ 的时间内能最大化带着鲁棒性的价值函数。
- CVPRGrad-PU：基于学习距离函数的梯度下降任意尺度点云上采样
该研究提出一种支持任意上采样率的点云高精度上采样方法，包括插值和迭代优化等步骤，经过大量的基准测试和下游任务的验证，表明该方法达到了最先进的准确性和效率。
- CVPRNEF: 从多视图图像中重建三维参数化曲线的神经边缘场
研究重建物体的三维特征曲线的问题，引入神经边缘场来学习三维边缘的密度分布，在没有三维几何操作或交叉视图边缘对应的监督下，借助基于视图渲染的可微优化处理，从视图提取地面真值边缘图与渲染边缘图进行比较以进行优化，最后通过迭代优化法从神经边缘场中 - 非线性协调图
本研究提出了第一个非线性协调图，探讨如何在新的函数类中进行贪心行动选择，使用 LeakyReLU 激活的混合网络解决此问题，提出具有全局最优性保证的枚举方法和具有局部最优性保证的有效迭代优化方法的动机。在多个代理协调任务中取得了卓越性能。
- CVPR通过单个被遮挡的面部图像生成多样化的 3D 重建
Diverse3DFace 能够通过全局 + 局部形状拟合过程、基于图神经网络的网格 VAE 和基于行列式点过程的多样性推动迭代优化过程产生一个多样且真实的 3D 重建的分布，可以更好地解决面部图像的遮挡问题并且拟合效果比现有方法的单一重建 - 用于快速同胚图像配准的 Nesterov 加速 ADMM
本文提出了一种使用简单的迭代方案和基于 Nesterov 梯度下降和多重乘法交替方向法的快速算法解决难以处理的大形变的非静止速度场，同时利用 GPU 加速实现加速 ADMM 求解器，优于基于深度学习的和迭代 DiffIR 方法，并在精度方面 - ICML分形学习率调度加速
本文研究了迭代优化中的学习率问题，在深度学习中提出了一种新的 Chebyshev 学习率调度方式，此方式与分数阶微积分有关，并且此方式可以在出现不稳定更新时保持局部收敛。
- 图像超分辨率的迭代网络
本研究提出了一种基于迭代优化的新型迭代超分辨率网络（ISRN）来解决单幅图像超分辨率问题，使用特征归一化和残差结构来提高网络表示性能，并在多项测试基准中展示了其在恢复图像结构信息和图像质量提高方面的卓越表现。
- CVPR人脸生成的单次域适应
本文提出了一种框架，通过迭代优化和样式混合技术，生成与给定 one-shot 示例相同分布的人脸图像，可用于增强下游任务的训练数据，并在检测人脸操作方面表现出较高有效性，与其他少样本领域适应方法相比具有优越性。
- 压缩迭代的分布式不动点方法
本文提出了基本而自然的假设，以便分析具有压缩迭代功能的迭代优化方法。我们开发了标准和方差减少的方法，并建立了通信复杂性界限。我们的算法是第一个具有压缩迭代的分布式方法，也是第一个具有压缩迭代的固定点方法。
- ICCV通过模型拟合学习重构 3D 人体姿势和形状
该研究提出了一种新的方法，将基于优化的方法和基于回归的方法结合起来，通过深度学习网络和迭代优化技巧来准确估计人体姿势。在实验中，该方法在数据稀缺和限制条件下改善了现有技术的精度和效率。
- IOHprofiler：迭代优化算法基准测试和性能分析工具
IOHprofiler 是一个用于分析和比较迭代优化启发式算法的工具，可以评估算法性能并跟踪算法参数的演变，是评估任意基准问题运行时间数据的独立工具，可在 GitHub 上获取。
- Nesterov 的加速梯度和动量作为正则化更新下降的近似
我们提出了一种适应梯度下降优化方法中更新方向的统一框架，并通过重构经典动量法和 Nesterov 加速梯度法来解释后者算法的新直观解释。我们展示了一种新算法 —— 正则化梯度下降 —— 比 Nesterov 算法或经典动量算法更快地收敛。