- 自适应增强和动态权重调整
Adaptive Boosting with Dynamic Weight Adjustment improves efficiency and accuracy in ensemble learning by dynamically up - 基于数据驱动的输出 Error 设定下的不确定性量化
本文通过引入两个上界来解决使用离线输入 - 输出数据直接预测 LTI 系统输出的问题，同时考虑到噪声对预测精度的影响，通过数值模拟证明噪声水平的增加会线性降低上界，并指出使用去噪启发式方法不一定提高预测准确度或减小上界。
- 物理学中回归问题的多准确度高斯过程代理建模
通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。
- LITE：多模态大型语言模型建模环境生态系统
提出了一种用于环境生态系统建模的多模式大型语言模型 LITE，通过将不同的环境变量转化为自然语言描述和折线图像来统一这些变量，并利用统一编码器来捕捉不同模态的空间 - 时间动态和相关性，借助领域指令来融合多模态表示进行预测，从而显著提高了环 - 通过主动迁移学习自动测试空间相关环境假设
本研究通过多任务高斯过程和基于信息的目标函数结合迁移学习和主动学习，探索假设的相关关系空间，并实时评估这些假设，以提高规划效率。该方法通过在前 5 个样本内降低预测误差 1.5-6 倍来减少采样成本，并能快速识别和拒绝不良假设，不会对规划产 - 能效调度与预测
在能效调度中，使用学习增强的算法框架，通过减小预测误差，实现多种能效调度问题的竞争比率改善。
- 流网络学习的传感器布置
研究了基于流量守恒假设下的传感器放置问题，提出了一种高效自适应的贪心启发式算法，并通过实验结果证明该方法能够比现有方法更准确地推断出网络中缺失的测量值，尤其在只有少量传感器可用时，考虑不完全或不准确的基准估计结果能够大大提高预测误差。
- 预测性思维：LLMs 作为非典型的主动推理代理
大型语言模型通常被概念化为被动的预测器或模拟器，但我们通过借鉴认知科学和神经科学中的主动推断理论来重新概念化大型语言模型。我们检查传统主动推断系统和大型语言模型之间的相似性和差异，得出结论说，目前大型语言模型缺乏在行动和感知其行动影响之间的 - 统计学习中关于参数计数的重新思考：双下降的转向
传统统计学智慧揭示了模型复杂度和预测误差之间的关系，但最近的研究提出了双峰现象的理论，即在参数个数超过样本大小时，测试误差会出现第二次下降。本研究挑战了此理论，并通过对经典统计机器学习方法的细致研究，提出了双峰现象的解释，认为其位置与插值阈 - 能够看到的机器人：利用人体姿势进行轨迹预测
通过使用 Transformer 架构，从人体位置、头部朝向和三维关键点等输入特征来预测人类在人类中心环境中未来的轨迹，该模型捕捉了未来人类轨迹预测中的内在不确定性，并在常见预测基准和适用于预测任务的移动机器人跟踪数据集上取得了最先进的性能 - 研究机器学习回归中最小化训练集填充距离
研究了一种抽样方法，旨在最小化填充距离，通过选择最小填充距离的训练集，实验证明该方法显著降低了各种回归模型的最大预测误差，远远优于现有的抽样方法。
- 多阶段神经网络：机器精度的函数逼近器
多阶段神经网络通过将培训过程划分为不同阶段，并使用优化适应先前阶段残差的新网络，有效减少传统神经网络中的频谱偏差，提高预测精度。
- 量子机器学习中纠缠数据的转换作用
本研究证明了量子机器学习模型的预测错误率依赖于允许的测量数量，当允许充足的测量时，提高训练数据的纠缠度可以减少预测误差或减小达到相同预测误差所需的训练数据大小，反之，当允许的测量次数较少时，使用高度纠缠的数据可能会导致预测误差增加。
- 理解异质数据联邦学习中的模型平均
通过对几何属性的可视化和预测误差的分解，本文研究了模型平均在联邦学习中成功的原因，并提出采用迭代移动平均法来减少预测误差并限制最大距离的提高精度和训练速度。
- MLE 作为 Exp3 算法学习率估计器的收敛性
本文研究了在将个体的学习数据拟合到类似算法的学习模型时，如果学习速率是恒定的，那么 MLE 的估计不能有效，同时如果学习速率随样本数量按多项式下降，则 MLE 的预测误差和估计误差都满足概率边界，这些边界随多项式率下降。
- 流数据的主动成本感知标记
研究主动标注流数据的问题，提出了一种基于确定性阈值和时间成本依赖性阈值的算法，并考虑了数据输入属于离散或连续域的情况，得到了上限约束模型。通过模拟实验，并在医学和天文学领域进行实际测试，证明了该算法在实验结果上的优势。
- CVPR通用人体姿势估计的自校正和自适应推断
本研究提出了自修改和适应推理（SCAI）方法来解决网络预测的泛化挑战，并使用人体姿势估计作为示例来展示其有效性和性能。
- ICML关于时序差分学习的统计优势
本文介绍了使用 TD 方法估计值函数的优势，即使用一种新的度量方法 - 问题的轨迹跨越时间，可以在一定程度上提高两个状态的值差的测量准确性。
- 使用鸟瞰图表示和深度学习在高速公路上进行车辆轨迹预测
本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。
- ICML非可实现设置下的混合线性回归学习
本文研究混合线性回归在预测误差上的问题。我们提出了一种预测方法，其中模型预测一个值列表，而不是预测标签。我们证明了使用最小化所有组件模型的损失所定义的损失函数可以实现小概率的预测误差。此外，我们提出了基于交替最小化的算法，实现了在不需要假设