提出Sinkhorn线性化与光谱代理，统一特征参数逆最优运输的统计与算法理论，核心光谱界限达成单一边界。

Han Dong, Jiaming Li, Yongqiang Gong 等

基于岭回归的高维网络邻域选择，利用最小描述长度实现低假阳性率的模型识别。

Lourens Waldorp

本文系统综述了约束基础因果发现中的条件独立性（CI）检验方法，分析其假设、鲁棒性与高维适应性。

Pavel Averin, Theodoros Moysiadis, Ioannis Katakis

本研究揭示迭代消除次数非仿射不变的概念维度，区分模型定义与程序定义的量，强调测量过程对代表性几何的影响。

Tingan Jin, Shuhang Dong, Haosong Li 等

提出VANEB框架，结合异方差参数依赖的非参数经验贝叶斯，实现个性化联邦学习，提升MNIST和CIFAR-10上的性能。

Jae Ho Chang, Arnab Auddy, Subhadeep Paul

UCB-HARE算法在严格公平性下实现最小化后悔，匹配理论下界。

Dhruv Sarkar, Soumyadeep Dutta, Sayak Ray Chowdhury

研究发现，PA替代指标在N=1时不易被操控，但在N>1时会膨胀，建议使用PR指标。

Zongye Lyu

提出基于(N,L)参数的ReLU神经网络逼近解析函数的上界，深度优于宽度。

Yanming Lai, Defeng Sun, Yang Wang

Ribbon：基于影响函数的可扩展贝叶斯不确定性近似，提升模型校准与效率。

Graham Gibson, John Tipton, Kellin Rumsey 等

本文提出判别性合成数据增强框架，分析在模型充分指定和偏差模型下的性能变化，揭示增强对指标的有限或非单调改善。

Zhengchi Ma, Pengfei Lyu, Anru R. Zhang

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

TimeLAVA通过选择性小波Wasserstein差异评估时间序列数据质量。

Wenqin Liu, Weizhi Quan, Aoqi Zuo 等

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

提出一种基于谱方法的知识迁移框架，改善罕见疾病电子健康记录的低维嵌入效果。

Feiqing Huang, Zongqi Xia, Rong Ma 等

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

提出复杂度最小化的元表示学习框架，理论证明其符合数据扩展规律。

Kazuto Fukuchi, Ryuichiro Hataya, Kota Matsui

提出一种因果表示学习方法，提升推荐系统的分布泛化能力，在Spotify上实现显著用户参与度提升。

Yorgos Felekis, Michael O'Riordan, Oriol Corcoll 等

提出稀疏激活下的神经网络缩放定律模型，揭示双重下降峰和稀疏特性影响。

John Sous, Michael Winer

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