- 用于二元问题回答的校准大型语言模型
利用归纳 Venn--Abers 预测器（IVAP）校准二元标签对应的输出标记的概率，我们的实验结果表明 IVAP 方法在各种标签标记选择下始终优于常用的温度缩放方法，能够产生良好校准的概率并保持高的预测质量。
- 组合顺序干预的结构化学习
我们提出了一个明确的模型来解构顺序干预的效果，并研究其在预测模型中的识别性质，与传统的泛化方法相比，结构化模型在稀疏数据条件下更有助于预测。
- 在线分类与预测
在线分类研究中，研究者利用对未来示例的预测来改进在线学习算法，以减小期望遗憾并提高分类准确性。该研究还证明了当未来示例可准确预测时，在线学习可以与转导式在线学习相媲美，从而对近期基于预测和分布假设的在线算法的研究提供了补充。
- 利用 “热启动” 算法和预测的竞争策略
利用预测进行热启动算法的学习和使用问题，研究了不同预测策略的竞争性保证，并提出了一种基于可学习粗糙信息的方法来优化求解问题的时间成本，同时针对在线版本的问题给出了一种具有多项式复杂度保证的算法。
- 非先知性调度与部分预测
非全知调度问题的学习增强算法中具备预测但没有质量保证，通过对只有部分作业大小的预测进行研究，建立了近似最优下界和算法，并呈现了在预测数量受限情况下一种新的一致性和平滑性之间的权衡关系。
- 从非线性多环境数据挖掘不变性：二元分类
在多个训练环境中给出数据的情况下，如何在未知环境中进行预测是一项具有挑战性的任务。我们从不变性的角度来解决这个问题，着重研究二元分类以揭示一般非线性的数据生成机制。我们发现了一种仅存在于二元情况下的独特不变性形式，使我们能够训练在不同环境中 - 减少预测数量的缓存和 MTS 算法
使用预测的 ML 增强算法对缓存和 MTS 进行研究，提出了具有一致性和平滑性参数的节俭算法，能够在预测准确性下提高性能。
- 设施位置机制设计的 MAC 建议
基于预测的机制设计研究设施位置问题中的鲁棒性及其影响
- 两个世界中的最佳选择：在未知到达模型下的在线资源分配与预测
给定未知质量的预测作为输入，我们提出了一种算法，在未知预测质量和请求模型的情况下，在在线资源分配问题中实现了渐进最优表现，验证了算法的性能与任何已知到达模型和预测准确性的算法的最佳性能相匹配。
- Transformer 语言适配器的隐藏空间
通过分析变压器语言适配器的操作，我们表明适应某个新的目标语言的预测主要在模型训练时所使用的源语言上进行了演化，而目标语言仅在模型的最后几层中变得明显。此外，适应过程是渐进的，并分布在各个层次上，可以跳过少量适配器而不降低适应性能。最后，我们 - 鲁棒学习增强字典
我们提出了第一个学习增强的数据结构，用于实现拥有最佳一致性和鲁棒性的字典。我们的数据结构名为 RobustSL，它是一个带有数据序列中元素访问频率预测的跳表。通过正确的预测，RobustSL 可以实现最佳一致性（达到静态最优性）。同时，它保 - 为所有下游代理商预测换手遗憾
通过提供非校准但在一系列事件中无偏的预测，我们可以以较快的速度保证任意下游代理的降低交换后悔，同时保持我们的预测算法在不需要了解其效用函数的情况下为任何下游代理提供保证。
- SkipPredict：何时投资于调度预测
通过考虑预测作业大小的调度近期研究工作，在排队系统中探究了预测成本对调度系统的影响，提出了一种针对预测成本的新型方法 SkipPredict，通过分类作业的预测需求来进行预测，分别在短作业和长作业上进行预测，并分析了考虑成本的预测对两种模型 - 我们真的需要数据吗？
以人工智能和机器学习为基础，本文研究了预测后推断问题的统计挑战，包括预测结果与真实结果之间的关系、机器学习模型对训练数据的鲁棒性以及将预测的偏差和不确定性传播到最终推断过程中。同时与传统领域的相关研究进行对比，揭示了设计在经典和现代推断问题 - PEMS：预训练的疫情时间序列模型
通过预训练流行病时间序列模型（PEMS）来利用多个不同疾病和流行病的多样时序数据集学习，以改进对未来流行病的准确可靠预测，提供基于先前知识的重要先验，并优于现有方法在各种不同时序任务中的性能。
- TabRepo: 一个大规模的表格模型评估存储库及其 AutoML 应用
介绍了 TabRepo 数据集，包含了 1206 个模型在 200 个回归和分类数据集上的预测和评估指标。通过使用预计算的模型预测，可以在无需代价的情况下对超参数优化与当前 AutoML 系统的比较以及集成的效果进行分析。同时，展示了该数据 - 基于预测的排序
通过学习增强算法的角度探索排序问题，其中算法利用可能存在错误的预测来提高效率。我们考虑了两种不同的情境：在第一种情境中，为每个项目提供了其在已排序列表中的位置预测；在第二种情境中，我们假设存在一种 “快速但不精确” 的方法来比较项目，除此之 - ICCV迭代集成归因的视觉解释
通过迭代整合属性（IIA）方法来解释视觉模型的预测，IIA 方法通过迭代整合输入图像、模型生成的内部表示以及它们的梯度，得到精确而聚焦的解释图。我们通过对各种任务、数据集和网络架构的综合评估验证了 IIA 的有效性，研究结果表明 IIA 产 - 高维度顺序决策的预测
研究对敌对选择的高维状态进行预测的问题，在任意条件事件下实现无偏见，并旨在为下游决策者量身定制这些事件。提供了有效的算法来解决这个问题，以及选择适当的条件事件所带来的一系列应用。
- 概率编程中超越路径上贝叶斯模型平均
通过路径加权，基于后验概率的概率编程中的预测能够得到更加鲁棒且优越的结果。