- 可变形图像配准的高斯表示
采用参数化的三维高斯控制点的变形图像配准方法，在计算效率、配准精度和速度之间取得了更好的平衡，通过局部插值转换，实现了对三维体积医学图像之间的空间变形场进行明确灵活的表示，进而在后向传播的统一优化过程中迭代学习了三维高斯和其变换的参数，取得 - 四面体贴片用于 3D 生成
Tetrahedron Splatting (TeT-Splatting) is a novel 3D representation that achieves easy convergence during optimization, p - ICLR利用动量增强越狱攻击
通过在渐变启发式中引入动量项，我们提出了动量加速 GCG（MAC）攻击，以稳定优化过程并从先前迭代中获取更多启发式见解，实验结果展示了 MAC 在基于渐变的攻击中对齐语言模型的显著增强。
- 利用嵌套神经网络推广 SINDy 方法
Symbolic Regression（记号回归）是一个广泛研究的领域，旨在通过数据推断出记号表达式。本研究介绍了一种增强方法，名为 Nested SINDy，旨在通过引入嵌套结构来增加 SINDy 方法的表达能力。Nested SINDy - HairFastGAN：一种基于快速编码器的逼真稳健发色转移方法
本研究提出了一个名为 HairFast 的模型，通过在 StyleGAN 的 FS 潜空间中运作的新架构、增强修补方法和改进的编码器来解决从参考图像将发型转移的问题，实现了高分辨率、接近实时的性能和优越的重建效果。
- 扩张模型中的语义分割的词汇开放式注意力图与令牌优化
通过 Open-Vocabulary Attention Maps (OVAM) 方法，我们提出了一种基于迁移学习的模块 (Nucleus) 来训练大规模的中文文本生成系统 TextGPT，该模型利用 Transformer 将初始输入句子 - D-Flow: 通过流控制分化生成
通过与流动匹配模型（Flow-Matching models）不再训练特定任务模型，我们引入 D-Flow，这是一个简单的框架，通过在流动过程中进行微分来控制生成过程，并优化源（噪声）点。我们验证了该框架在线性和非线性控制生成问题上的有效性 - 通过Łojasiewicz--Simon 不等式连续深度学习模型的收敛性结果
这篇研究通过建立和证明一个 Wasserstein 类型的梯度流，分析了深度神经网络模型的优化过程，证明了在 L2 正则化下该模型平均损失函数的最小化存在性和损失函数斜率的最大化存在性，最终得出随着时间推移，该流收敛到损失函数的临界点的结论 - 迅速的、最优的、可行的电力调度通过广义神经映射
利用 LOOP-LC 2.0 框架解决电力调度问题的学习方法确保解决方案的可行性和最优性，同时提高搜索速度，并与现有方法进行比较，表明其在训练速度、计算时间、最优性和解决方案可行性方面具有显著优势。
- 面向混合连续、离散和分类变量的约束优化问题的贝叶斯质量多样性方法
基于混合连续、离散和类别贝叶斯优化策略，提出了一种新的质量多样性方法论，用于处理复杂工程设计问题，并减少计算成本。
- ICML离心压缩机基于热力学模型与主动机器学习相结合的增强型工业设计优化
通过使用回归替代模型的主动学习框架，结合基于热力学的离心压缩机模型和高斯过程模型，以降低计算成本和优化离心压缩机设计的总计算时间。
- 数据分类的一种 SVM 方法替代方案
支持向量机（SVM）是一种流行的用于数据分类的核方法，本文提出一种基于最佳子空间的最小距离的新方法，以解决 SVM 存在的时间处理、高维情况下优化过程失败、多类别泛化、不平衡类别和动态分类的问题，并取得了类似的性能改进。
- 使用二进制神经网络门票在 ImageNet 上加入高精度俱乐部
通过三个互补的角度：创新设计一个基于全方位研究后的二进制结构 BNext、提出一种新的知识蒸馏技术以缓解训练极精确二进制模型时出现的过拟合问题、并使用来自全精度模型的最新技术现代化二进制网络的数据增强管线，我们让二进制神经网络在 ILSVR - 基于自适应阈值的标签噪声数据鲁棒优化方法：自适应 k
本文研究了在含有标签噪音的数据集上，SGD 算法的优化过程会受到噪音样本的影响，从而导致结果不可靠。作者提出了一种名为 Adaptive-k 的替代方法，该方法在优化过程中选择损失小于一个阈值的样本，而不是使用所有的样本。通过理论分析和实验 - ECCV图像生成和编辑的艺术工作流建模
提出了遵循艺术工作流程的生成模型，能够进行多阶段图像生成和编辑，引入了一种基于学习的正则化优化过程以确保编辑后的图像与原始图像紧密一致，并通过三个不同艺术数据集的定量和定性实验验证了该框架在图像生成和编辑任务上的有效性。
- 目标检测的动态尺度训练
提出一种名为 DST 的动态尺度训练范式，以缓解对象检测中的尺度变化挑战，使用来自优化过程的反馈信息动态引导数据准备，实验结果表明 DST 方法可有效处理尺度变化，提高检测精度，而且通用于各种骨干网络、基准数据集和其它挑战性的下游任务，训练 - 对分类器分类：剖析神经网络的权重空间
本文介绍了一个关于神经网络权重的实证研究。通过采样多种不同神经网络分类器的训练变化，使用机器学习方法从权重空间中提取和分析信息，特别地构建了一些新型的深度元分类器，用于检测通过超参识别并在优化过程中编码为权重的模式，从而提供了一种新颖和互补 - 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。
- 单个向量足够吗？探索网络嵌入中的节点多义性
本文提出了针对节点的多方面嵌入多义词法以模拟其多重属性，包括映射每个节点的每个属性嵌入向量和保持节点和属性之间关联度。
- 图形贝叶斯优化：算法、评估和应用
本文提出了一种灵活的图贝叶斯优化框架，结合了图内核，通过识别优化过程中哪些特征更重要来完全利用隐含的图结构特征并证明了其有效性和潜在应用。