- 核方法在相关观测中的一致性
我们提出了经验弱收敛（EWC）的新概念作为解释核方法在明显不是独立同分布（i.i.d.）抽样方案下（例如数据来自动力学系统）表现优异的一般假设，该假设假定存在一个随机的渐近数据分布，并且是领域中以前的假设的严格削弱。我们的主要结果建立了 S - ICML在面向对象环境中学习因果动力模型
本文介绍了一种新的基于对象的因果动力模型 (Object-Oriented CDM, OOCDM)，它能够在大规模对象导向的环境中学习，并通过共享因果关系和参数来适应不同类别的对象。实验证明，在因果发现、预测准确性、泛化性和计算效率方面，O - 利用深度学习高效学习大规模数据的模糊逻辑系统
本文提出了一种嵌入到深度学习领域的计算高效的模糊逻辑系统（FLS）学习方法，通过提供计算高效的 FLS 实现，最小化训练时间并利用深度学习框架中提供的小批量优化器和自动微分机制，解决了 FLS 学习的挑战，并在基准数据集上展示了深度学习框架 - AAAI利用 LLMs 实现内容为中心的认知代理的知识获取自动化
该论文介绍了一种利用大型语言模型技术支持智能代理语义词典中新条目的自动学习的系统。这种学习方法通过现有的非玩具词典和自然语言生成器引导启动，将意义的表达按基本本体建立转换为自然语言句子。此学习方法已应用于学习多词表达式，其含义与智能代理语义 - AppAgent: 多模态代理与智能手机用户
该研究介绍了一种基于大型语言模型的多模态代理框架，旨在操作智能手机应用程序，通过简化的操作空间模拟人类的点击和滑动等交互，避免了系统后端访问的需求，并扩大了其适用性。代理的功能核心是其创新的学习方法，通过自主探索或观察人类示范学习并构建知识 - 任意机器人形态的控制器架构和学习机制比较
通过实验证明，网络控制器与进化算法、强化学习等学习方法的组合对于形态演化机器人的性能、效率和稳定性有重要影响。
- 通过扩散生成模型优化压缩感知磁共振成像采样模式
这篇研究提出了一种利用预先训练的扩散生成模型优化亚采样压缩感知多线圈磁共振成像的采样方式的学习方法，并证明该方法实现的采样运算符可以在不同的解剖结构、加速因子和模式类型的情况下实现具有竞争力，并且在 2D 模式下具有改进的重建效果。
- 一种高效的基于学习的二阶段直流最优潮流求解器，具有可行性保证
本文提出了一种基于学习方法的情景式两阶段随机直流最优潮流问题的解决方案，利用 gauge map 技术来解决现有方法无法实现的输出可行解的问题，并在标准 IEEE 系统上进行了模拟实验来证明其比现有方法更为高效。
- EMNLP对话生成语义多样性的测量和改进
本文提出了一种新的自动化评估指标，用于衡量生成响应的语义多样性，以及一种基于语义分布权重的学习方法，用于提高生成响应的语义多样性和连贯性。
- 机器学习的数据预算
本文将数据预算问题研究为两个子问题：预测给定足够数据的饱和性能，以及需要多少数据点才能接近饱和性能。相较于传统的数据独立方法，提出了一种基于学习的方法，并通过 383 个 ML 数据集的经验评估表明，可以仅用 50 个数据点的小型研究数据集 - KDDHICF: 双曲信息协作过滤
本研究探讨了在超几何空间内，哪些用户产品可以有效推荐，设计了一种新的学习方法 HICF，针对尾部和头部物品推荐效果不佳的问题，通过改进超几何边际排序学习的过程，提供信息指导来明确推荐目标，并在大量实验中验证了该方法的有效性。
- 加入标签多样性缓解人脸分析系统中的偏见
本研究介绍了一种结合人类主观标签和数学定义的客观标注来减轻面部分类器中的偏见的学习方法，并通过集成学习方法进行了实验验证。
- DPFM: 深度部分函数映射
本文提出一种基于功能映射框架的学习方法，用于直接解决非刚性形状对应问题，包括局部对应和参考地图未知情况下的对应，该方法可以在监督或无监督的情况下进行训练，从数据中直接学习描述符，提高了模型的稳健性和精度，在多个基准数据集上取得了最新的研究成 - 深度特征保持点云滤波法中的法向估计
该研究提出了一种新的基于特征保留的法线估计方法来过滤点云，并通过实验证明其在去除噪点和保留几何特征方面的效果优于现有法线估计方法和点云过滤技术。
- AAAIPixelRL：使用强化学习的全卷积网络进行图像处理
本文提出了一种新颖的深度强化学习方法，即基于像素奖励的强化学习 (pixelRL)，以解决图像处理中的特定任务，如图像去噪、图像恢复、局部颜色增强和基于显著性的图像编辑。通过使用像素智能体来缩小强化学习的范围，提出了一种有效的学习方法，该学 - 基于 Patch 的 CNN 文档矫正和光照校正
本研究提出了一种新的学习方法来纠正单个输入图像中具有各种扭曲类型的文档图像，特别是在图像补丁上首先学习了扭曲流，通过在梯度域中处理拼接结果将其缝合到矫正的文档中，提出了第二个网络来纠正不均匀的光照，从而在合成和真实数据集中显着提高了整体准确 - 在线凸优化简介
本文研究将优化视为一种过程，强调学习方法的应用，提倡使用鲁棒性的算法并学习实践经验以应对实际应用中复杂环境下的问题。
- SensitiveNets: 学习应用于人脸图像的不可知表示
本文提出了一种新颖的隐私保护神经网络特征表示方法，使得学习到的空间中的敏感信息得以削弱，同时保持数据的实用性；该方法不仅保证了用户数据的隐私，而且还提升了算法的公平性和结果的可行性。
- AAAI使用多步强化学习的全卷积网络进行图像处理
本文介绍了一种新的强化学习方法 —— 像素级奖励 (pixelRL)，加入代理来像素改变像素值，提出了有效地学习方法，可用于各种像素级处理任务中，应用于三个图像处理任务：图像降噪、图像修复和局部调色等，与采用监督学习的现有方法相比，实验结果 - 稀疏高斯过程的信息规划与在线学习
针对环境监测中的时空变异性，我们提出了一种规划与学习方法，通过学习和完善环境模型，实现自主海洋监测任务；该方法结合了最信息丰富数据的规划和稀疏高斯过程学习组件，提高了计算效率，仿真结果表明该方法准确性和效率兼备。