- 分叉生成流网络
生成流网络（GFlowNets）是一种有前景的概率抽样框架，目前出现了一种新的家族。然而，现有的 GFlowNets 由于边缘流的直接参数化或依赖于可能难以扩展到大型操作空间的反向策略，往往导致数据效率较低。本文介绍了一种称为 Bifurc - 自我改进学习的可扩展神经组合优化
提出了一种自我改进学习（Self-Improved Learning, SIL）方法，用于提高神经组合优化（neural combinatorial optimization, NCO）的可扩展性，包括有效的模型训练和解决大规模问题实例的线 - 大规模动态贝叶斯网络结构学习的分而治之策略
通过引入一种新颖的分而治之策略并将其应用于大规模动态贝叶斯网络结构学习，本论文在提高可伸缩性和准确性方面取得了重要突破，显著提升了计算效率和结构学习准确性。
- 变分椭圆过程
我们提出了椭圆过程，这是一类非参数概率模型，它包含了高斯过程和学生 t 过程。通过连续高斯混合分布的表示，椭圆过程具有一系列新的重尾行为，同时保持计算可行性。使用样条标准化流的参数化混合分布来训练变分推断，并提出了适用于大规模问题的稀疏变分 - 一种包含自导和分块对角表示的重新启动的大规模谱聚类方法
该论文提出了一种基于自回归、块对角表示和 Nyström 逼近的重新启动谱聚类框架，可以应用于大规模问题中，其理论结果证明了不精确计算在谱聚类中是合理的。
- 透过回顾可微政策优化实现网络中的神经库存控制
通过优化策略的效果并提出一种神经网络结构解决了库存管理的难点，我们可以稳定应用深度加强学习算法来对具有隐藏结构的问题进行优化。
- 通过极小极大重表达实现高效双层优化
提出了一种将双层优化问题重新设计成极小极大问题的方法，并采用渐进式梯度下降上升算法来解决该问题，结果表明该算法在降低计算成本的同时，优于现有的基于双层优化的算法。
- 稀疏和局部网络用于超图推理
本文介绍了一种使用稀疏和局部超图神经网络（SpaLoc）学习解决大规模实际领域中这种问题的方法，其利用稀疏矩阵表示和信息足够性的抽样过程，提高了学习和推理的效率，并在几个实际且大规模的知识图谱推理基准测试中实现了最先进的性能。
- 利用隐式微分扩展和稳定可微规划
本文提出了一种不依赖于 forward iteration 层区分前向计算和反向传递并解决 Value Iteration Network 和其变体中大规模问题的不同 iable planning 方法，该方法通过 Bellman fixe - 贝叶斯批次主动学习作为稀疏子集逼近
本研究提出一种基于贝叶斯批量主动学习方法来解决大规模监督模型中标签获取成本高的问题，从而利用大量未标记数据来改善模型性能。此方法通过逼近模型参数的完整数据后验概率，并使用随机投影技术来推广到任意模型，从而使批处理的数据选择更加多样，有效降低 - 深度概率集成在大规模视觉主动学习中的应用
本论文介绍了一种基于 Deep Probabilistic Ensembles 的可扩展方法，该方法使用一个规则化的集合来近似 deep BNN。我们对大规模的视觉主动学习实验进行了一系列研究并在 CIFAR-10，CIFAR-100 和 - 暂停的威力：推动实验量子退火器中热化理解的进展
我们在当前的量子退火硬件（D-Wave 2000Q）上研究了一些替代的退火计划，并在间歇期间使用前向和反向退火，提供了关于这些设备内部运行方式的新见解，特别是关于热效应如何支配系统动力学的信息。
- 深度强化学习的随机化先验函数
本文讨论强化学习中的不确定性估计问题，为解决序列决策问题提出了一种随机不可训练 “先验” 网络的方法。实验证明该方法对于线性和非线性表示方法均有效，并且相较之前的尝试在大规模问题上表现更佳。
- 广义线性问题的可扩展近似
本文讨论了随机优化中的种群风险以及解决大规模问题中经验风险计算的困难，提出了一种基于随机梯度下降算法的解决方案，以 OLS 估计器为基础进行最小化种群风险的近似。
- 计算机视觉中的半定规划的双凸松弛
本文提出了一种称为双协调松弛的方法，将半定规划问题转化为特定的双协调优化问题，并通过高效的交替最小化法求解。该方法在计算机视觉中的应用包括分割、共分割和流形度量学习，相对于现有方法，性能高达 35 倍，同时处理范围更广的半定规划问题。
- 密集无线合作网络的大规模凸优化
本文提出了一种新的两阶段方法来解决在高密度无线合作网络中解决大规模凸最优化问题，其中原始的凸问题通过矩阵填充转化为标准锥编程形式，并采用交替方向乘子法（ADMM）求解。与二阶方法相比，ADMM 能够在合理的时间内并行地解决大规模问题。
- 大小、功率和假阳性发现率
本文采用虚拟发现率方法对大规模问题进行大小和功率计算，使用一种简单的经验贝叶斯方法，推导估计虚假发现率公式并使用两个微阵列数据集和模拟评估方法。