提出SSH-Net，基于因果竞争风险模型的深度神经网络，用于GPU故障时间分布预测，利用层次结构与数据结构结合。

Jie Min, Yueyao Wang, Mengkun Chen

ProtoX-AD是一种基于原型的自解释时间序列异常检测框架，利用变换感知的潜在表示实现与黑箱模型相当的检测性能。

Aitor Sánchez-Ferrera, Elisabeth Wetzer, Kristoffer Wickstrøm 等

本论文提出两种在标签偏移下校准贝叶斯预测的策略：事后校准和训练中适应，验证其在合成数据中的有效性。

Seungjin Choi

引入Itô映射实现任意步长SDE采样，支持条件采样与控制，提升生成多样性与效率。

Zhengkai Pan, Peter Potaptchik, Wenxi Yao 等

提出基于核密度估计梯度的保守漂移方法，实现有限粒子收敛率，最优速率达N^{-(2-β)/(2(d+4-β))}

Krishnakumar Balasubramanian

提出了一种基于模型的自举方法，用于有限控制马尔可夫链，提升了置信区间的覆盖率。

Ziwei Su, Imon Banerjee, Diego Klabjan

基于散度的方法在小样本情况下优于传统模型加权方法。

Olav Benjamin Vassend

CLVAE模型通过变分自编码器实现长远客户收入预测，提升精度。

Jeffrey Näf, Riana Valera Mbelson, Markus Meierer

混合隶属子高斯模型通过允许观测属于多个成分，解决了经典高斯混合模型的局限性。

Huan Qing

WassersteinGrad通过计算熵Wasserstein重心来解释动态物理场预测，提升天气预报的自回归模型解释性。

Younes Essafouri, Laure Raynaud, Luciano Drozda 等

FedSPDnet通过ProjAvg和RLAvg策略在EEG数据集上表现优于传统方法，提升F1分数和鲁棒性。

Thibault Pautrel, Florent Bouchard, Ammar Mian 等

SQUEAK算法通过未归一化的岭杠杆分数实现核岭回归的低空间复杂度。

Daniele Calandriello, Alessandro Lazaric, Michal Valko

可塑拒绝采样（PRS）通过核估计学习采样提议，保证高概率独立同分布采样。

Akram Erraqabi, Michal Valko, Alexandra Carpentier 等

通过影响函数梯度实现凹统计效用最大化的多臂老虎机算法。

Matías Carrasco, Alejandro Cholaquidis

通过居中和奇异值阈值法快速估计高斯混合模型的成分数，无需迭代。

Huan Qing

重新审视主动顺序预测驱动的均值估计，发现最小置信区间宽度在常数概率权重接近1时出现。

Maria-Eleni Sfyraki, Jun-Kun Wang

提出了用于平滑图函数的谱Bandit算法，在有效维度上实现线性和次线性扩展。

Michal Valko, Rémi Munos, Branislav Kveton 等

自适应核选择提升核化扩散映射的稳定性和精度。

Othmane Aboussaad, Adam Miraoui, Boumediene Hamzi 等

使用偏差感知的模拟推断框架，解决选择偏差问题，提升估计准确性。

Jonas Arruda, Sophie Chervet, Paula Staudt 等

Kometo算法在多保真优化中无需已知平滑度和保真度假设，提升了学习速率。

Come Fiegel, Victor Gabillon, Michal Valko