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
使用事件相机的螺旋桨传感进行相对状态估计，误差低于3%。
Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan 等
EmbodiedLGR-Agent结合轻量级图表示和检索，实现机器人语义-空间记忆的高效构建与检索。
Paolo Riva, Leonardo Gargani, Matteo Frosi 等
COFFAIL数据集包含咖啡准备中机器人的成功和异常技能执行，支持模仿学习。
Alex Mitrevski, Ayush Salunke
基于相似度的投资组合在黑箱优化中通过k近邻微调实现性能提升。
Catalin-Viorel Dinu, Diederick Vermetten, Carola Doerr
MARC方法通过模块化表示压缩提高推荐系统效率，在线测试提升eCPM 2.82%。
Yunjia Xi, Menghui Zhu, Jianghao Lin 等
PDF以不确定性增强和延迟反馈调节VLA，LIBERO提升约7.4%，Atari达1.07 HNS。
Zehua Zang, Xi Wang, Fuchun Sun 等
提出了一个理解人机协作脆弱性的框架，分析了基础条件和修复负担。
Varad Vishwarupe, Marina Jirotka, Nigel Shadbolt 等
Sonata是一种3.77M参数的混合世界模型，在临床数据稀缺下实现六轴IMU运动预测，显著提升跨队列转移性能。
Blaise Delaney, Salil Patel, Yuji Xing 等
RankUp通过随机置换、多嵌入和全局融合提升表示秩，改善推荐系统性能。
Jin Chen, Shangyu Zhang, Bin Hu 等
提出EvoOR-Agent，通过共进化优化代理架构与推理路径，显著提升复杂运筹效率。
Jiahao Huang, Peilan Xu, Xiaoya Nan 等
Video-Robin结合自回归规划与扩散合成，实现视频到音乐生成，推理速度提升2.21倍。
Vaibhavi Lokegaonkar, Aryan Vijay Bhosale, Vishnu Raj 等
研究表明，当前的LLM代理缺乏环境好奇心，尽管在79-81%的情况下发现了解决方案，但仅在37-50%的情况下利用。
Leon Engländer, Sophia Althammer, Ahmet Üstün 等
提出ADAPT在线重加权方法，动态调整样本重要性，超越离线筛选，提升LLM泛化能力。
Wanru Zhao, Yihong Chen, Yuzhi Tang 等
使用遗传编程的符号回归的泛化界限分析，揭示结构选择和常数拟合的复杂性。
Masahiro Nomura, Ryoki Hamano, Isao Ono
引入SigGate-GT，通过输入条件化的sigmoid门控缓解图变换器中的守恒约束，提升模型表现。
Yang Liu, Dongxin Guo, Tom Zheng 等
提出IDDM，通过可控重采样改善离散扩散模型，提升样本质量。
Marcel Kollovieh, Sirine Ayadi, Stephan Günnemann
SkillFlow基准测试自主体技能发现与演化，提升任务成功率8.43点。
Ziao Zhang, Kou Shi, Shiting Huang 等
HalluClear通过分类、三阶段评估和闭环推理，有效降低GUI代理的幻觉率。
Chao Jin, Wenkui Yang, Hao Sun 等
FlowRefiner利用流匹配的迭代修正，基于ODE实现3D湍流预测，显著优于现有方法。
Yilong Dai, Yiming Sun, Yiheng Chen 等