- 利用近似共享特征连接领域
多源领域适应中的特征选择以及基于方差相关性的统计框架，通过学习过程提取近似共享特征，达到解决多源适应中优化策略的目的。
- 基于非公理逻辑的顺序学习模型
顺序学习是智能体的基本功能之一，本技术报告介绍了一种基于非公理逻辑的顺序学习模型，学习过程包括假设、修正和回收三个步骤，在知识和资源不足的假设下有效，在某些简单情况中得到证实。
- 前前算法：一些初步探索
介绍一种新的神经网络学习过程 —— 正向式算法，通过两次正向传递代替反向传播的前向和反向传递，并具有针对正数据具有高好度和负数据低好度的目标函数。
- 随机系统中区域稳定控制策略的学习
论文研究了在随机系统中学习控制策略的问题，提出了新的稳定排名超级鞅（sRSMs）概念，并介绍了一个可以学习控制策略和 sRSMs 的学习过程，实验结果表明该过程可以成功地学习稳定性证明策略。
- 近似交叉验证：模型评价和选择的保证
通过单个牛顿推的启动程序，实现了对大量训练数据集的 CV 的近似，解决了 CV 运行时间长的问题；本文提供了一致的非渐进性，确定性的模型评估保证，同时也保证了与 CV 相当的模型选择性能。
- 推广平衡传播至矢量场动态
该论文探讨了反向传播算法的生物学可信度以及提出了一种基于平衡传导法、解决了双向信号问题和对称连接问题的前向和后向连接的学习方法。
- 马尔科夫决策过程的安全约束强化学习
该论文研究了针对随机和部分未知环境下控制器综合的相关问题，并提出了一种基于安全的 Markov 决策过程的解决方案，并利用迭代学习过程来实现安全性和最优性的权衡。
- 均场博弈中的学习：虚假博弈
本文介绍了一种类似于虚构判断游戏的学习过程用于求解 Mean Field Game 系统，并证明了该方法在 Mean Field Game 系统为 potential 时的收敛性。
- WWW捕捉图像特征中的空间相互依赖性：计数网格，一种用于特征包的典型表示
本文介绍了一种基于计数格模型的图像特征计数方法，该模型能够更准确地捕捉图像中特征计数的空间变化，并在场景分类任务中得到实验验证。
- 学习贝叶斯网络的样本复杂度
研究使用最小描述长度（MDL）原则基于样本复杂性学习贝叶斯网络，并提出了使用样本复杂性结果加速学习过程的方法，同时表明了以熵距离为误差阈值的 epsilon-close 近似所需样本数量是 O ((1/epsilon)^(4/3) log - 学习具有局部结构的贝叶斯网络
本文提出了一种从数据中学习贝叶斯网络的新方法 —— 显式地表示和学习 CPT 中的局部结构，从而提高所学习到的网络的质量，增加了可能的模型空间，并能够诱导出更好地模拟数据中存在的相互作用复杂性的模型。