通过统一框架评估八种Shapley变体在高风险环境中的人类效用，揭示现有评估指标与人类感知的脱节。
Inês Oliveira e Silva, Sérgio Jesus, Iker Perez 等
使用Riemann特征和RNN解码高维手指运动，TRR模型在EMG-FK数据集上表现出色，平均绝对误差为9.79°。
Martin Colot, Cédric Simar, Guy Cheron 等
HubRouter通过O(nM)路由替换O(n^2)注意力层，提升效率。
Abhinaba Basu
SharpAP方法显著提高推荐系统注入攻击的可转移性，实验显示在多个数据集上性能提升。
Junsong Xie, Yonghui Yang, Pengyang Shao 等
ReCast框架在生成推荐中提升Pass@1达36.6%，优化稀疏命中信号。
Peiyan Zhang, Hanmo Liu, Chengxuan Tong 等
LTBs-KAN通过线性时间复杂度的B样条计算提升KAN的效率。
Eduardo Said Merin-Martinez, Andres Mendez-Vazquez, Eduardo Rodriguez-Tello
引入“锐度维度”来解释边缘稳定性下的泛化性能提升。
Mario Tuci, Caner Korkmaz, Umut Şimşekli 等
提出Safe EWC和CF-EWC算法，在非平稳环境中实现安全的持续强化学习。
Austin Coursey, Abel Diaz-Gonzalez, Marcos Quinones-Grueiro 等
FASTER方法通过在去噪过程中早期筛选动作样本，降低了计算成本，同时保持了强化学习的性能。
Perry Dong, Alexander Swerdlow, Dorsa Sadigh 等
对抗训练下的视觉Transformer在适度扰动预算下实现了近零鲁棒训练损失和鲁棒泛化误差。
Jiaming Zhang, Meng Ding, Shaopeng Fu 等
使用行列式点过程优化蒙特卡罗积分，提升估计器的方差收敛速度。
Guillaume Gautier, Rémi Bardenet, Michal Valko
提出异质性感知的个性化联邦学习模型，提升工业预测分析中的故障时间预测精度。
Yuhan Hu, Xiaolei Fang
S2MAM通过双层优化实现鲁棒估计和变量选择，验证于16个数据集。
Xuelin Zhang, Hong Chen, Yingjie Wang 等
Sessa通过在反馈路径中引入选择性注意机制，实现长程记忆增强。
Liubomyr Horbatko
提出了有界比率强化学习（BRRL）框架，实验表明在MuJoCo等环境中性能优于PPO。
Yunke Ao, Le Chen, Bruce D. Lee 等
Apollo模型整合28种医学模态和12个专业领域的临床记录，预测新疾病风险达5年。
Andrew Zhang, Tong Ding, Sophia J. Wagner 等
使用遗传编程的符号回归的泛化界限分析，揭示结构选择和常数拟合的复杂性。
Masahiro Nomura, Ryoki Hamano, Isao Ono
VS-WNO在Jetson Orin Nano上未能将尖峰稀疏性转化为部署成本优势。
Jason Yoo, Shailesh Garg, Souvik Chakraborty 等
使用强化学习后训练的小模型在小分子药物设计任务中表现出色，接近最先进的前沿模型。
Shriram Chennakesavalu, Kirill Shmilovich, Hayley Weir 等
通过任务奖励优化，提升Llama-3.2-3B-Instruct等模型在数学数据集上的表现。
Sarthak Mittal, Leo Gagnon, Guillaume Lajoie