SharpBalance用自适应数据子集平衡平坦度与多样性，在CIFAR-10上达76.12%准确率。
Haiquan Lu, Xiaotian Liu, Yefan Zhou 等
提出基于熵正则化最优运输的特征映射，用于高维数据的非线性对齐与联合嵌入，具有理论保证。
Boris Landa, Yuval Kluger, Rong Ma
本研究分析向量值谱正则化算法的收敛速率，确认岭回归的饱和效应并提出最优上界。
Dimitri Meunier, Zikai Shen, Mattes Mollenhauer 等
提出能量风险框架，基于核方法学习扩散过程的无限小生成器，提供无维度依赖的谱估计界限。
Vladimir R. Kostic, Karim Lounici, Helene Halconruy 等
通过敏感性分析和贝叶斯代理建模，提出一种主动采样流程，提升模拟模拟电路的效率。
Reda Chhaibi, Fabrice Gamboa, Christophe Oger 等
基于PAC-Bayesian理论，通过随机集实现数据依赖的统一泛化界，应用于分形维数和Langevin动力学。
Benjamin Dupuis, Paul Viallard, George Deligiannidis 等
结合深度学习与核条件均值嵌入，提出高效可扩展的条件分布表示方法。
Eiki Shimizu, Kenji Fukumizu, Dino Sejdinovic
提出测度预条件化技术，通过γ-收敛改善参数模型与迁移学习的收敛性。
Joaquín Sánchez García
提出Zeroth-Order Diffusion Monte Carlo（ZOD-MC），无需梯度，适用于非对数凸分布，理论保证低维高效采样。
Ye He, Kevin Rojas, Molei Tao
无噪声核岭回归（KRR）在目标函数平滑度和特征衰减下实现最优收敛率，揭示超平滑和饱和现象。
Jihao Long, Xiaojun Peng, Lei Wu
提出LowPopArt算法用于低秩矩阵估计，结合实验设计实现更优恢复保证。
Kyoungseok Jang, Chicheng Zhang, Kwang-Sung Jun
提出离散流模型（DFM），在蛋白质共同设计中实现多模态生成，性能领先。
Andrew Campbell, Jason Yim, Regina Barzilay 等
提出向无限维向量值岭回归的Sobolev范数最优收敛速率，涵盖未充分模型假设，结合张量积构造新插值空间。
Zhu Li, Dimitri Meunier, Mattes Mollenhauer 等
提出低成本高效的RMIA会员推断攻击，利用细粒度似然比检验实现优越性能。
Sajjad Zarifzadeh, Philippe Liu, Reza Shokri
提出基于Leverage Scores采样的RKHS数值积分方法，显著降低计算成本。
Antoine Chatalic, Nicolas Schreuder, Ernesto De Vito 等
提出了一种基于最大均值差异的变量选择方法，提升了分布比较的解释性。
Kensuke Mitsuzawa, Motonobu Kanagawa, Stefano Bortoli 等
利用行列式点过程进行信号重建，提供L2均方误差保证与超收敛性能。
Ayoub Belhadji, Rémi Bardenet, Pierre Chainais
引入Conformal Decision Theory，通过在线调节决策参数λ，实现在无假设环境下的低风险安全自主决策，实验涵盖机器人路径规划、制造和股票交易。
Jordan Lekeufack, Anastasios N. Angelopoulos, Andrea Bajcsy 等
引入准蒙特卡洛方法（QMC）优化3D切片 Wasserstein 距离的近似精度。
Khai Nguyen, Nicola Bariletto, Nhat Ho
提出向量值核回归的在线算法收敛分析，获得最优阶估计。
Michael Griebel, Peter Oswald