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

使用截断正交多项式核的SVM结构可解释性分析揭示模型复杂性。

Víctor Soto-Larrosa, Nuria Torrado, Edmundo J. Huertas

通过切片势函数实现的摊销最优传输方法，提升了多对测度间的OT计划预测效率。

Minh-Phuc Truong, Khai Nguyen

提出一种基于半参数效率理论的偏差机器学习框架，用于在运行时混杂条件下的反事实预测区间构建。

Keith Barnatchez, Kevin P. Josey, Rachel C. Nethery 等

通过神经网络反向传播实现快速可解释的自回归估计，速度提升12.6倍。

Anaísa Lucena, Ana Martins, Armando J. Pinho 等

OmniAnomaly与PCA在SMD数据集上的异常检测表现相当，尤其在不进行点调整时。

Bruna Alves, Ana Martins, Armando J. Pinho 等

通过混合累积量模型，研究扩散模型从简单到复杂学习数据统计的机制。

Lorenzo Bardone, Claudia Merger, Sebastian Goldt

VecMol通过向量场表示生成3D分子，避免显式图生成，提升几何化学一致性。

Yuchen Hua, Xingang Peng, Jianzhu Ma 等

本文提出了批量核化带宽问题的改进和扩展，优化了批次数量和后悔界限。

Chenkai Ma, Keqin Chen, Jonathan Scarlett

通过高度增强的ReLU网络实现对解析和L^p函数的高效逼近，显著提高了逼近率。

ZeYu Li, FengLei Fan, TieYong Zeng

提出了smooth-rank算法，优化连续条件分布下的双部排序，提升ROC曲线精度。

James Cheshire, Stephan Clémençon

提出基于条件核均值嵌入的非参数分布校准算法，有效改善预测分布的校准性。

Ádám Jung, Domokos M. Kelen, András A. Benczúr

提出双极化采样下概率测度PCA的收敛速率，揭示稀疏到密集转变。

Gachon Erell, Jérémie Bigot, Elsa Cazelles

本研究提出Transformer实现α-Hölder光滑非参数回归的最小极大收敛速率，参数仅需Θ(log n)。

Michelle Ching, Ioana Popescu, Nico Smith 等

提出一种PAC-Bayesian框架，通过各向异性高斯后验优化提高泛化界紧度。

Xinping Yi, Gaojie Jin, Xiaowei Huang 等

本文综述扩散模型在基于模拟的推断中的应用，涵盖训练、推断和评估设计，强调指导、得分组合、流匹配等关键技术。

Jonas Arruda, Niels Bracher, Ullrich Köthe 等

提出GenSDR，利用生成模型实现非线性充分维度约简，具备全信息恢复能力。

Shuntuo Xu, Zhou Yu, Jian Huang