提出基于Sinkhorn迭代的可扩展近似最优传输线性模型算法，支持多种正则化与数据拟合。
Tomasz Kacprzak, Francois Kamper, Michael W. Heiss 等
多变量批量贝叶斯优化用于材料研究，分析噪声敏感性和问题景观效应。
Imon Mia, Armi Tiihonen, Anna Ernst 等
提出基于优化的多变量回归最小体积符合集，确保有限样本覆盖率。
Sacha Braun, Liviu Aolaritei, Michael I. Jordan 等
引入E值扩展了无分布假设的符合预测，支持批量、数据依赖覆盖和模糊标签场景。
Etienne Gauthier, Francis Bach, Michael I. Jordan
提出ACID，用变换器神经网络实现条件独立性检测，性能优越。
Bao Duong, Nu Hoang, Thin Nguyen
本文提出嵌套核积分估计器，减少样本需求，提高收敛速度。
Zonghao Chen, Masha Naslidnyk, François-Xavier Briol
使用MMD的加权量化方法，通过梯度流实现从平均场到均值漂移，实验显示MMD值显著降低。
Ayoub Belhadji, Daniel Sharp, Youssef Marzouk
CARROT通过预测模型成本与准确率实现最优路由，实验证明在SPROUT数据集上性能优越。
Seamus Somerstep, Felipe Maia Polo, Allysson Flavio Melo de Oliveira 等
提出基于奥利兹-索博列夫结构的高效图上非平衡测度传输方法，结合二分搜索实现快速计算。
Tam Le, Truyen Nguyen, Hideitsu Hino 等
本文综述自监督学习在时间序列异常检测中的方法，提出分类体系并分析未来挑战。
Aitor Sánchez-Ferrera, Borja Calvo, Jose A. Lozano
提出MCNI方法，通过噪声注入量化神经网络的不确定性，优于基线模型。
Xueqiong Yuan, Jipeng Li, Ercan Engin Kuruoglu
提出深度特征工具变量（DFIV）实现最小极大速率，适应复杂函数结构。
Juno Kim, Dimitri Meunier, Arthur Gretton 等
提出PEMC框架，结合ML预测与蒙特卡洛，显著降低方差，保持无偏性。
Fengpei Li, Haoxian Chen, Jiahe Lin 等
DNCIT将深度图像嵌入与非参数CIT结合，在UK Biobank MRI中控制混杂并验证人格—脑影像关系的零结果。
Marco Simnacher, Xiangnan Xu, Hani Park 等
LRDS结合先验模态位置，提升多模态分布采样效率。
Maxence Noble, Louis Grenioux, Marylou Gabrié 等
基于高斯过程的因果干预函数不确定性量化方法，提升了闭式后验矩和覆盖校准。
Hugh Dance, Peter Orbanz, Arthur Gretton
提出Feedback Schrödinger Bridge匹配（FSBM），结合少量预对齐样本提升效率与泛化。
Panagiotis Theodoropoulos, Nikolaos Komianos, Vincent Pacelli 等
提出ACSSM，通过多边Doob变换与SOC实现不规则时间序列的连续状态空间建模。
Byoungwoo Park, Hyungi Lee, Juho Lee
基于薛定谔桥的深度条件生成模型，通过离散化SDE实现高质量条件采样。
Hanwen Huang
提出“Sinkhorn桥”估计Schrödinger桥，无需反复模拟扩散或训练神经网络。
Aram-Alexandre Pooladian, Jonathan Niles-Weed