基于非线性ICA的判别模型，证明学习表示在函数空间中线性可识别，适用于文本、图像、音频。
Geoffrey Roeder, Luke Metz, Diederik P. Kingma
利用谱偏差和任务-模型对齐分析核回归和无限宽神经网络的泛化表现。
Abdulkadir Canatar, Blake Bordelon, Cengiz Pehlevan
扩展NNGP和NTK至多头注意力网络，证明其无限宽极限的高斯性与核结构。
Jiri Hron, Yasaman Bahri, Jascha Sohl-Dickstein 等
PatientBandits算法在处理手臂依赖延迟的随机赌博机问题中表现优异。
Anne Gael Manegueu, Claire Vernade, Alexandra Carpentier 等
基于双生成对抗网络的高维条件独立性检验方法，控制型一错误率高，检测能力强。
Chengchun Shi, Tianlin Xu, Wicher Bergsma 等
提出NSD-UCRL2算法，解决非平稳延迟环境中的学习问题，实验显示其优于现有方法。
Claire Vernade, Andras Gyorgy, Timothy Mann
提出双随机归一化Gaussian核，能自动抵抗异方差噪声，确保高维数据的稳健性。
Boris Landa, Ronald R. Coifman, Yuval Kluger
将变分自编码器(VAE)嵌入贝叶斯优化，实现高维心脏模型参数的隐式低维搜索，提升效率十倍。
Jwala Dhamala, Sandesh Ghimire, John L. Sapp 等
深度几何功能映射方法在形状对应中表现出色，使用较少训练数据实现高准确性。
Nicolas Donati, Abhishek Sharma, Maks Ovsjanikov
提出Fast-Slow GP-UCB算法，应对带有对抗性腐败的高斯过程带宽优化，保证累积遗憾上界。
Ilija Bogunovic, Andreas Krause, Jonathan Scarlett
引入连续体积采样（VS）用于核插值，理论上实现几乎最优的误差界，适用于任何Mercer核，依赖谱特性。
Ayoub Belhadji, Rémi Bardenet, Pierre Chainais
本论文提出多重重要性采样结合多模型近似后验以优化决策，超越传统ELBO方法。
Romain Lopez, Pierre Boyeau, Nir Yosef 等
提出Temporal Fusion Transformer（TFT），结合多尺度时间关系学习与可解释性，显著提升多步时间序列预测性能。
Bryan Lim, Sercan O. Arik, Nicolas Loeff 等
AUGMIX通过随机增强和Jensen-Shannon一致性损失提升图像分类模型的鲁棒性和不确定性，显著改善在ImageNet-C等基准上的表现。
Dan Hendrycks, Norman Mu, Ekin D. Cubuk 等
提出混合专家变分自编码器（MMVAE）实现多模态深度生成，满足四项关键标准。
Yuge Shi, N. Siddharth, Brooks Paige 等
提出基于神经网络的连续与离散时间生存预测方法，包括分位数离散化与分段常数风险模型。
Håvard Kvamme, Ørnulf Borgan
本文分析MCMC在贝叶斯神经网络中的挑战，展示非收敛链仍能提供高精度预测。
Theodore Papamarkou, Jacob Hinkle, M. Todd Young 等
基于Wasserstein距离的分布鲁棒优化，提升模型在高维不确定性下的稳健性。
Daniel Kuhn, Peyman Mohajerin Esfahani, Viet Anh Nguyen 等
提出基于成本和Fidelity分层的自适应采样策略，显著降低多Fidelity高斯过程预测不确定性。
Sayan Ghosh, Jesper Kristensen, Yiming Zhang 等
提出了一种自适应获取的深度主动学习方法，在多个数据集上表现优异。
Manuel Haussmann, Fred A. Hamprecht, Melih Kandemir