- 基于低秩反卷积的快速无监督张量修复
通过将 Low-rank Deconvolution（LRD）与微分正则化相结合，提出了一种在信号恢复任务中与 Deep Learning（DL）框架、如 Deep Image Prior（DIP）或 Blind-Spot Networks - NeurTV: 神经领域上的总变差
在这篇论文中，我们提出了一种在神经领域上定义的新型全变差（TV）正则化方法，通过使用深度神经网络（DNN）输出相对于输入坐标的导数来捕捉数据的局部相关性，实验证明这种方法在不同类型的数据上都非常有效。
- 不变风险最小化是总变差模型
基于总变差和 L2 范数的不变风险最小化方法被验证为一种数学本质，同时基于 TV-l1 模型的 IRM 框架在去噪和不变特征保留方面具有鲁棒性，并满足一些要求以实现超出分布的泛化能力。实验证明，该框架在多个基准机器学习场景中取得了竞争性能。
- 基于分值的生成模型的概率流动常微分方程的收敛分析
基于分数的生成模型中，我们从理论和数值的角度研究了基于概率流 ODE 的确定性采样器的收敛性质，并证明了目标和生成数据分布之间的总变差可以在连续时间层面上通过 d√δ（其中 d 表示数据维度，δ 表示 L2 - 评分匹配误差）被上界限制，并 - AAAI通过顺序变形实现压缩性虚拟试穿
研究表明最近的高分辨率虚拟试穿方法存在视觉质量下降问题，主要原因是总变差和对抗损失之间的梯度冲突，为了解决这个问题，提出了一种序列变形方法（SD-VITON），成功解决了衣袖和腰部的挤压伪影问题，并优于基线方法。
- 神经梯度正则化器
我们提出了一种神经梯度正则化器 (NGR)，将梯度图表达为神经网络的输出，避免了梯度图的低估，具有广泛的适用性和插拔式功能。
- 在连续图扩散函数空间中重新思考和重新设计图神经网络
本文提出了一种基于变分分析的归纳偏差方法以增强图神经网络的长距离依赖和全局模式捕捉能力，并采用总变差方法对图扩散模式与社区拓扑进行对齐，最后构建了一种能够预测图中传播流的生成对抗网络。最终，我们的方法在 Cora、Citeseer 和 Pu - 概率变分因果效应：因果推理的新理论
本文提出了一个新的因果框架，能够解决概率和非概率问题，引入了直接因果效应公式 PACE 及其变种，并提供了计算反事实因果的可辨识性标准，对观察研究进行了处理，与其他框架进行了比较。
- CVPR计算机视觉的全变分优化层
本文研究使用 total variation (TV) 最小化作为计算机视觉层，解决优化计算的问题，并在五个计算机视觉任务中取得了优于现有基准的结果，通过开发 GPU 加速 Newton 投影算法，提高了计算效率。
- 强凸损失理论在适当在线学习中的最优动态遗憾及其扩展
本文研究了强凸损失函数下的动态遗憾最小化框架，通过利用 KKT 条件所施加的许多新约束条件，我们回答了 Baby 和 Wang 2021 年提出的一个开放性问题，并展示了强适应算法在适当的学习设置下可以同时针对任何比较序列达到几乎最优的动态 - MM指数凸在线学习的最优动态遗憾
使用先进的证明技术和 Zinkevich-style 动态遗憾最小化框架，本研究提出了一个强适应的在线学习算法，其总变化控制下的动态遗憾为 O (n^(1/3)*C_n^(2/3))，并且可以扩展到局部自适应非参数回归问题中。
- 在线预测具有总变差界限的序列
本文提出了一种基于 Haar 小波基的在线预测算法，实现了记录总变化量有界序列的最优 O (n^(1/3)) 速率，适应未知平滑参数，并证明了在线梯度下降算法是这种情况下的子优解。
- 使用 L-Lag 耦合估计马尔可夫链的收敛性
使用 L - 滞后耦合生成可计算的、非渐近的上界估计来比较不同的 MCMC 算法，进一步评估了串行蒙特卡罗和自归一化重要性抽样器的偏差。
- 强化学习的变分遗憾界
该研究针对马尔可夫决策过程中的无折扣强化学习问题提出了一种算法，并提供了针对最优非静态策略的性能保证。给出了在 MDP 总变差方面的差错的上限，这是一般强化学习设置的第一个变分差错界限。
- 高阶全变差正则化最小二乘预测界
对于趋势过滤，我们通过将对总变异率的 k-1 阶差异惩罚与最小二乘估计相结合，并使用 “插值向量” 来上界 “有效稀疏度”，为其建立自适应结果。我们证明了 k∈{1,2,3,4} 的结果，并指示了如何导出 k∈$\mathbb {N}$ 的 - 基于匹配追踪的全变分最小化图像去卷积
本研究提出了一种匹配追踪全变差正则化的方法，即 MPTV，通过使用不均匀正则化来解决传统 TV 正则化的过度平滑和解决偏差问题，该方法在图像去卷积方面表现出优异的性能。
- NIPS通过准确率和召回率评估生成模型
通过提出新的分布的精度和召回率的概念，针对生成模型提出了一种新的评估方法，能够分离出分布的两个维度，从而区分生成样本的质量和目标分布的覆盖范围，是一种有效的评价生成模型的算法。
- 随机控制中对错误系统模型的鲁棒性
研究离散时间随机控制问题的连续性特性和最优控制策略的鲁棒性，在考虑测量模型及转移核函数的连续性等条件下，证明了最优成本可在弱收敛下实现连续性，且总变异下的预计诱发成本是鲁棒的，对基于经验学习的随机控制领域有积极意义。
- 含趋势过滤的加法模型
本研究采用趋势滤波构建的加法模型，使每个组件都受其 k(离散) 导数的（离散）全变差正则化，以得到 k次片段多项式组件。我们推导出加法趋势滤波估计的快速误差率，表明当基础函数为可加性函数且 - 利用非局部拉格朗日乘子的总变差重建压缩感知
本文中提出了一种基于 Lagrangian 乘子的简单实现方法，即非局部 Lagrangian 乘子（NLLM），以减小噪声并增强有效图像信息，实验结果表明，该方法在恢复图像的客观和主观质量方面都优于其他恢复算法。