PhysMoDPO通过偏好优化生成符合物理的类人运动，提升真实感和任务性能。
Yangsong Zhang, Anujith Muraleedharan, Rikhat Akizhanov 等
采用联合嵌入预测架构（JEPA）在潜在空间中学习物理系统表示，显著提高参数估计精度。
Helen Qu, Rudy Morel, Michael McCabe 等
通过CWRF方法，仅调整关键权重以在保持效用的同时增强隐私保护。
Xingli Fang, Jung-Eun Kim
MXNorm通过重用MXFP8块缩放来高效归一化张量，减少32倍归约需求。
Callum McLean, Luke Y. Prince, Alexandre Payot 等
ZO-SAM通过零阶优化减少计算开销，提高稀疏训练的效率和鲁棒性。
Jie Ji, Gen Li, Kaiyuan Deng 等
BoSS通过集成多种选择策略，提升深度主动学习的性能，尤其在大规模数据集上表现优异。
Denis Huseljic, Paul Hahn, Marek Herde 等
通过学习先验模型实现零超参数的多角分析，验证成本降低10倍。
Wei W. Xing, Kaiqi Huang, Jiazhan Liu 等
线性化注意力机制中的影响可塑性：非收敛NTK动态的双重影响。
Jose Marie Antonio Miñoza, Paulo Mario P. Medina, Sebastian C. Ibañez
DDIM反向链作为分区迭代函数系统，提供去噪扩散模型的统一设计语言。
Ann Dooms
通过FLUX的变分自编码器潜在空间实现色彩控制，揭示了色相、饱和度和亮度的结构。
Mateusz Pach, Jessica Bader, Quentin Bouniot 等
可分离神经架构（SNA）通过约束交互阶数和张量秩，实现统一的预测和生成智能。
Reza T. Batley, Apurba Sarker, Rajib Mostakim 等
STAMP框架利用极坐标机制在文本隐私保护中实现更优的隐私-效用平衡。
Fengwei Tian, Payel Bhattacharjee, Heidi Hanson 等
通过时间拉直提升潜在规划的表现，成功率提高20-60%。
Ying Wang, Oumayma Bounou, Gaoyue Zhou 等
RandOpt方法通过随机扰动和集成投票提升大规模模型性能，尤其在预训练权重附近。
Yulu Gan, Phillip Isola
通过正反向KL目标量化生成模型训练后遗忘，避免质量下降。
Krishnakumar Balasubramanian, Shiva Prasad Kasiviswanathan
EnTransformer结合Transformer与engression，实现多变量概率预测，优于现有模型。
Rajdeep Pathak, Rahul Goswami, Madhurima Panja 等
NeFTY通过可微物理框架实现高精度3D热扩散重建，显著提高缺陷定位准确性。
Tao Zhong, Yixun Hu, Dongzhe Zheng 等
Leech Lattice Vector Quantization (LLVQ) 提供高效的LLM压缩，优于Quip#和QTIP。
Tycho F. A. van der Ouderaa, Mart van Baalen, Paul Whatmough 等
利用跨物种迁移学习，提升皮层GABA能中间神经元的电生理到转录组映射精度。
Theo Schwider, Ramin Ramezani
MLP层在Transformer中执行二进制路由，GPT-2中验证其有效性，减少MLP层提升困惑度43.3%。
Peter Balogh