提出基于图边界的执行状态胶囊，实现低延迟、小批量、设备端物理AI的高效恢复与重启。
Liang Su
提出基于分段多项式插值的梯度下降（PPI-GD），在数据维度d为对数多项式阶时实现优越的oracle复杂度。
Dongmin Lee, William Lu, Anuran Makur
提出STARE（Surprisal-guided Token-level Advantage Reweighting），通过比率调节确保策略熵稳定，在1.5B到32B模型上提升准确率4%-8%。
Haipeng Luo, Qingfeng Sun, Songli Wu 等
提出基于LLM的零样本主动特征获取框架，利用最大熵闭包解决判别统计的标度模糊，显著提升IBD患者诊断准确率。
Binyamin Perets, Natalie Mendelson, Shiran Vainberg 等
提出循环世界模型（LoopWM），通过参数共享的变换器迭代优化潜在状态，提升参数效率达100倍，适应复杂预测需求。
Hongyuan Adam Lu, Z. L. Victor Wei, Qun Zhang 等
引入Kolmogorov偏微分方程，提升扩散策略的鲁棒性，实验证明在推挤操控和制造线应用中性能显著改善。
Lekan Molu
本文分析了基于策略的蒸馏（OPD）中的参数稀疏性与几何结构，发现其更新具有稀疏、非低秩但谱集中等特征，揭示了密集教师监督下的模型微调特性。
Guo Yu, Wenlin Liu, Yulan Hu 等
提出Bebop，通过TV损失和拒绝采样显著提升RL训练中MTP接受率，达95%并实现1.8倍加速。
Yucheng Li, Huiqiang Jiang, Yang Xu 等
本研究比较xLSTM、Mamba-2和Gated DeltaNet三种子二次架构，验证xLSTM在复杂任务中的优越性，核心在于其稳健的状态追踪与记忆累积。
Anamaria-Roberta Hartl, Levente Zólyomi, David Stap 等
提出Latent World Recovery（LWR）框架，有效应对多模态数据中的缺失问题，通过模态特定嵌入在共享潜在空间中对齐，实现缺失模态的鲁棒预测。
Hui Wang, Tianyu Ren, Joseph Butler 等
本文从机器学习视角分析动力系统中的不确定性，区分了内在随机性(aleatoric)与知识缺乏(epistemic)，并探讨其在不同任务中的作用。
Yusuf Sale, Christopher Bülte, Felix Czaja 等
提出EEVEE框架，通过路由器和提示集实现多数据集测试时提示学习，提升模型在异质任务流中的鲁棒性，平均提升10.38-24.32分。
Weixian Xu, Shilong Liu, Mengdi Wang
本文将GP-UCB与DEC在RKHS带宽中的算法复杂度与极小极大复杂度统一在MAIR框架下，揭示两者的本质差异。
Yunbei Xu
提出COGENT，基于神经常微分方程的连续图模拟器，用于长远地理空间网格的物理预测。
Zesheng Liu, Maryam Rahnemoonfar
提出一种高效学习漂移半空间的算法，误差上界为η + ˜O(Δ^{1/3}/γ)，在Massart噪声下实现近似最优。
Mingchen Ma, Guyang Cao, Jelena Diakonikolas 等
本文提出基于演化替代矩阵的灵活核函数，利用高效高斯过程模型预测蛋白质性质，显著优于嵌入基础模型的方案。
Martin Jankowiak, Yerdos Ordabayev, Rudraksh Tuwani 等
本文提出DRPO，通过平滑优势加权二次正则化改善LLM强化学习中的偏差正则，提升训练稳定性和效率。
Jiarui Yao, Xiangxin Zhou, Penghui Qi 等
提出拓扑神经算子（TNO），在细胞复形上实现多尺度、多维度的偏微分方程算子学习，显著提升复杂几何域的预测精度。
Lennart Bastian, Samuel Leventhal, Mustafa Hajij 等
提出全自动时间序列预测架构，结合TimeTrack高频数据与本地采样，利用NAS自动生成高精度模型，有效缓解冷启动问题。
Abd Elghani Meliani, Arora Sagar, Adlen Ksentini 等
提出CoMetaPNS，结合持续贝叶斯高斯混合模型，实现心脏电生理模拟的个性化持续元学习，显著提升预测精度与抗灾难性遗忘能力。
Ryan Missel, Xiajun Jiang, Linwei Wang