- 无需绝望的比较：可靠的偏好评估与生成分离
通过成对偏好判断，对生成的语言进行人工评估是普遍存在的。然而，在常见情况下，例如模型生成非常相似或随机解码导致生成变化较大时，会导致偏好评分不一致。我们通过引入元评估指标 “可分性” 来解决这些挑战，该指标估计了用于成对偏好评估的测试实例的 - 量子支持向量机在量子态跨领域分类中的优势
利用量子机器学习进行跨领域分类研究，以解决纠缠与可分离性范式；进一步证明了贝尔对角态的高效分类，扩展分析了使用随机酉转换评估模型在分析问题上的鲁棒性，通过数值分析明确展示了 QSVM 在多维希尔伯特空间中对量子态进行分类的潜力。
- ICLR无标签数据如何在区分分布之外的检测中发挥作用？
使用无标签数据来规范机器学习模型已经显示出改善检测超出分布数据的安全性和可靠性的潜力。一个新的学习框架 SAL（分割与学习）通过从无标签数据中分离候选离群值然后使用这些候选离群值和标记的正态数据训练离群值分类器，理论上证明了 SAL 能以较 - 利用根据逻辑目标加速神经网络训练
基于逻辑函数的严格凸函数序列用于优化神经网络的训练，通过增加严格凸函数的约束提高了收敛速度和性能。
- 剪枝无标签数据以提升半监督学习
该研究提出了 PruneSSL，一种可用于增强原始未标记数据集可分离度的实用技术，通过实证研究表明，尽管 PruneSSL 减少了学习器的可用训练数据量，但它显著提高了多种竞争的半监督学习算法的性能，从而在多个图像分类任务中达到了最先进的结 - 基于分离度和离散度比率的高效支持向量机正则化参数、核函数以及核函数参数选择
通过随机分析正则化参数的行为，本文将 SVM 的性能建模为数据的可分性和散乱性比率的函数。该比率可以自动检测线性或非线性可分性，并提供优化的正则化参数和核函数及其参数，从而将 CV 网格搜索的计算复杂性仅减少到一次使用 SVM，真实数据集的 - CVPR重新思考面部防欺诈领域通用性问题：可分性和对齐
本文研究人脸反欺诈（FAS）模型在领域差异上的泛化问题，提出可使不同领域的实况到欺诈的过渡轨迹相同而达到域可分性和域不变分类器的 FAS 策略，即 SA-FAS，并在跨领域 FAS 数据集上展示其卓越性能。
- AAAISepNE: 将可分离性引入网络嵌入
本文提出了一种基于矩阵分解的网络嵌入算法，该算法通过实现节点分离来减少不相关节点的嵌入，从而达到大规模网络的可扩展性，适用于分布式学习以及其他进一步适应性，实验结果表明，该算法在保证准确性的前提下，显著提高了大型网络的运行时间，并优于现有的 - MM可分主题发现的充分必要条件和可证明有效性算法
该研究开发了一种新的、能够实现概率混合共享潜在因素发现主题的算法，针对包含唯一新单词的共享潜在因素的主题模型，利用几何分析实现了高效计算和分布式数据挖掘应用。
- Hottopixx 的鲁棒性分析：一种用于分解非负矩阵的线性规划模型
该论文提供了一种新的、更具有鲁棒性更广泛的非负矩阵分解方法，使用一种后处理策略来处理数据集中的重复项和近似项。
- 计算非负矩阵分解 - 可证明的
该研究论文旨在研究非负矩阵分解问题，提出适用于每个常数 r 的精确和近似 NMF 的多项式时间算法，同时在 3-SAT 子指数时间算法假设下展示了精确 NMF 的难度证明，并提供了一个可以运行在 n，m 和 r 的多项式时间内的算法，该算法 - 低秩密度矩阵可分性的操作性判据和构造性检验
研究低秩密度算子的可分性，证明具有正部分转置是其可分的必要和充分条件，并提供了其最小分解形式。同时，给出了分解分离态的纯积状态的有效方法。
- 多比特混合态的分类：可分离性和精制性质
本研究对任意多量子比特混合态的可分离性进行了完整的分级分类，并介绍了一族具有多量子比特状态的 N-qubit 状态，这一族状态可以被看作是 Werner 状态在多量子比特系统中的推广。本文通过分级确定了这些状态的可分离性和可提纯性，为任意状 - 混合态的可分离性：必要与充分条件
本文提供混合态可分性的充分必要条件，在 $2\times2$ 和 $2\times3$ 的系统中，正部分转置的正定性是其可分性的必要充分条件，并通过一些混合物的例子证明了该准则的实用性。
- 密度矩阵的可分性准则
研究了由两个子系统组成的量子系统的可分离性，发现其必要条件是经过偏转置后的密度矩阵只有非负特征值，该标准比贝尔不等式更为严格。