提出预测驱动平滑(PP-S)和验证方法，提升AI系统分领域评估精度。
Sho Kawano, Zehang Richard Li, Paul A. Parker
研究TAP近似在球面线性模型中的精度，发现其误差在波动尺度以下。
Jingbo Liu, Zhiyuan Yu
OKSPCA结合随机特征和Adam更新，优化监督降维，实验显示在六个基准上表现依赖于管道选择。
Zhenlin Yao, Wei Xiong
本文提出了时间序列变分自编码器的PAC-Bayesian重建保证，捕捉时间依赖性。
Chloé Hashimoto-Cullen, Ghislain Agoua, Benjamin Guedj 等
FluxDisco使用蒙特卡罗图搜索进行化学计量动力系统符号回归，确保物理一致性。
Cassandra Durr, Alvaro Köhn-Luque, Chris Jewell 等
研究显示，尽管样本间存在依赖，自监督学习中合并增强样本比分割独立样本更有效。
Maximilian Fleissner, Debarghya Ghoshdastidar, Samory Kpotufe
研究提出了一种基于扩散的局部内在维度估计方法，提供了最小最大下界。
Jaehee Seo, Wontae Jeong, Jisu Kim
ALRA方法通过自适应局部关系对齐提升语言模型蒸馏效果，在The Pile数据集零样本基准上提升准确率2.91个百分点。
Quang Hoang Trung, Quang Huu Hieu, Nguyen Van Hoang Phuc 等
OQRC以有限占用建模量化风险，有限样本下显著收紧风险界，MS COCO风险差距降低78.64%。
Zihao Shi, Huajun Xi, Bingyi Jing 等
分析核岭回归在幂律非各向异性高维高阶特征谱中的表现，揭示输入几何对泛化性能的影响。
Lorenzo Rizzi, Arie Wortsman Zurich, Bruno Loureiro
I-FLOP基于干预数据的快速因果结构学习算法，利用目标筛选的贝叶斯信息准则实现一致性。
Liuting Chen, Alex Markham
基于优化确定等价物(OCE)的风险规避决策，结合预测集提供高概率风险控制。
Amirmohammad Farzaneh, Osvaldo Simeone
利用专家评论中的艺术家关系，结合80个声学特征的Wasserstein距离，验证其音乐相似性（AUC 0.767）
Elena Badillo-Goicoechea, Fengfeng He
提出Primal–Dual交替神经学习框架，用于临床实时分类，确保敏感性、特异性与监测成本的性能保证。
Jiaming Qiu, Yingye Zheng, Ying-Qi Zhao
提出超越阈值的超越设计效应，修正相关性对有效样本量的影响，适用于聚类数据。
Adam Noonan
基于Leaky ReLU线性结构，提出随机神经网络不确定性传播的解析与粒子方法。
Janice Adams, Daniele Venturi
提出基于深度ReLU网络的迁移学习框架，解决非参数回归中的高维问题，获得最优收敛速率。
Junpeng Ren, Carlos Misael Madrid Padilla, Yanzhen Chen 等
提出嵌套序列蒙特卡洛（NSMC）优化离散扩散模型的推断控制，显著优于传统方法。
Lohithsai Yadala Chanchu, Hany Abdulsamad, Christian A. Naesseth
提出密度重加权的熵正运输（EOT）方法，有效解耦几何结构与采样密度偏差，提升低维流形匹配的几何一致性。
Keyi Li, Yuval Kluger, Boris Landa
提出基于分布式时序差分学习的在线统计推断方法，验证其在回报分布函数估计中的渐近正态性和自助法一致性。
Yang Peng, Liangyu Zhang