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
BayesSum算法通过高斯过程在离散空间中高效估计期望值，实验显示样本需求减少50%以上。
Sophia Seulkee Kang, François-Xavier Briol, Toni Karvonen 等
DoFlow利用连续归一流（CNF）结合因果DAG实现时间序列的观察、干预与反事实预测。
Dongze Wu, Feng Qiu, Yao Xie
本研究分析Transformer中非线性MLP对ICL性能的影响，证明其与多项式模型等价，揭示数据混合关键作用。
Samet Demir, Zafer Dogan
通过奇异学习理论扩展最小描述长度原则，研究神经网络的可压缩性，发现局部学习系数与可压缩性密切相关。
Einar Urdshals, Edmund Lau, Jesse Hoogland 等
基于预测信息框架，提出衡量序列数据可学习性的理论模型，结合EvoRate和信息曲线分析数据结构。
Mario Morawski, Anais Despres, Rémi Rehm
提出基于创新表示的时间序列生成预训练变换模型（TS-GPT），用于工程监控与控制。
Lang Tong, Xinyi Wang
本研究结合测试时训练（TTT）与内嵌学习（ICL），在非线性单指标模型中实现模型自适应，显著降低预测风险。
Kento Kuwataka, Taiji Suzuki
提出一种光谱-格拉斯曼Wasserstein度量，显著提升动态系统的算子表示比较效率。
Thibaut Germain, Rémi Flamary, Vladimir R. Kostic 等
提出基于核的随机逼近框架，用于学习无限维空间中的非线性算子，提供理论保证。
Jia-Qi Yang, Lei Shi
提出了锥形Gromov-Wasserstein距离(CGW)，用于不平衡度量网络和超网络的比较，具有鲁棒性和可扩展性。
Mary Chriselda Antony Oliver, Emmanuel Hartman, Tom Needham
提出条件扩散模型的非渐近收敛界，结合预训练模型实现精确条件分布逼近。
Mengze Li
本文从随机矩阵理论出发，分析Stack-SVD与SVD-Stack在高维数据整合中的渐近性能差异。
Tavor Z. Baharav, Phillip B. Nicol, Rafael A. Irizarry 等
本文提出了一种基于后验采样的期望改进方法，显著降低了贝叶斯优化中的累积遗憾。
Shion Takeno, Yu Inatsu, Masayuki Karasuyama 等
提出ACE方法，增强非高斯噪声下结构无关估计的鲁棒性，提升估计精度。
Jikai Jin, Lester Mackey, Vasilis Syrgkanis
提出双重鲁棒的反事实政策均值嵌入（CPME），实现复杂分布的非参数估计与检验。
Houssam Zenati, Bariscan Bozkurt, Arthur Gretton
本研究提出低维子空间视角，分析变换器在OOD条件下的ICL泛化能力，证明子空间多样性促进泛化。
Soo Min Kwon, Alec S. Xu, Can Yaras 等
基于期望自由能的规划通过变分推断实现，融合目标和信息获取，提升可扩展性。
Bert de Vries, Wouter Nuijten, Thijs van de Laar 等