提出DML-IV算法，利用双机器学习减少偏差，有效学习高性能决策策略。
Daqian Shao, Ashkan Soleymani, Francesco Quinzan 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
MetaReflection通过离线强化学习提升语言代理性能，提升4%-16.82%。
Priyanshu Gupta, Shashank Kirtania, Ananya Singha 等
提出一致性策略，通过自我一致性蒸馏显著加速机器人 visuomotor 控制，推理速度提升十倍。
Aaditya Prasad, Kevin Lin, Jimmy Wu 等
提出可控、可扩展且有人参与的用户模拟器框架CSHI，有效模拟个性化偏好，提升CRS评估可靠性。
Lixi Zhu, Xiaowen Huang, Jitao Sang
本综述系统分类机器遗忘方法，包括精确与近似技术，强调验证与隐私安全，提出未来研究方向。
Weiqi Wang, Zhiyi Tian, Chenhan Zhang 等
BoQ采用可学习全局查询，利用交叉注意力提升视觉地点识别性能，超越SOTA，速度快且效率高。
Amar Ali-Bey, Brahim Chaib-draa, Philippe Giguère
提出CoRE系统，利用大语言模型作为自然语言程序的解释器，实现自然语言、伪代码与流程编程的统一。
Shuyuan Xu, Zelong Li, Kai Mei 等
采用Woods-Saxon势的标量场模型解释晚期加速，参数通过贝叶斯推断约束，模型具有稳定吸引子。
Sreerag Radhakrishnan, Sarath Nelleri, Navaneeth Poonthottathil
该综述以RGB、光流、CNN、RNN与GCN分类视频表示，但未报告统一数据集数值。
Elham Ravanbakhsh, Yongqing Liang, J. Ramanujam 等
提出基于柱面剪切光的变分正则化，用于动态成像，结合稀疏逼近与空间-时间先验。
Tatiana A. Bubba, Tommi Heikkilä, Demetrio Labate 等
利用Large Language Models（LLMs）自动生成模型与数据卡，提升责任AI的文档完整性。
Jiarui Liu, Wenkai Li, Zhijing Jin 等
本研究通过控制新知识比例，发现微调LLMs学习新知识缓慢，增加幻觉风险，支持预训练知识主导利用。
Zorik Gekhman, Gal Yona, Roee Aharoni 等
提出多层草图预处理方法，利用Nyström低秩近似，显著加快线性系统求解。
Michał Dereziński, Christopher Musco, Jiaming Yang
提出基于谱尾条件数的随机迭代算法，时间复杂度为\~O(κ_ℓ·n²log(1/ε))，显著优于传统方法。
Michał Dereziński, Daniel LeJeune, Deanna Needell 等
提出基于图像分割的拓扑地图RoboHop，支持开源词汇查询和目标导航。
Sourav Garg, Krishan Rana, Mehdi Hosseinzadeh 等
提出基于多模态感知的全局场所识别框架，提升环境适应性和鲁棒性。
Peng Yin, Jianhao Jiao, Shiqi Zhao 等
提出FAIR框架，通过神经网络实现多环境下的因果变量识别与不变性学习。
Yihong Gu, Cong Fang, Peter Bühlmann 等
通过适应和基准测试策略，提升土耳其大语言模型性能。
Emre Can Acikgoz, Mete Erdogan, Deniz Yuret
xLSTM通过指数门控和改良记忆结构，有效扩展至亿级参数，性能优于Transformer。
Maximilian Beck, Korbinian Pöppel, Markus Spanring 等