利用GPT-3的算法忠实性，通过条件化生成模拟样本，验证其在美国政治态度研究中的表现。

Lisa P. Argyle, Ethan C. Busby, Nancy Fulda 等

利用小型神经网络（概率变换器）实现任意度量空间数据的低失真嵌入，保证bi-Hölder和bi-Lipschitz性质。

Anastasis Kratsios, Valentin Debarnot, Ivan Dokmanić

提出Interventional Normalizing Flows（INF）用于潜在结果的密度估计，结合双重鲁棒性和正则化，适应高维数据。

Valentyn Melnychuk, Dennis Frauen, Stefan Feuerriegel

提出U3HS实现未知类别目标的全景分割，无需先验知识，显著提升未知目标检测能力。

Stefano Gasperini, Alvaro Marcos-Ramiro, Michael Schmidt 等

提出AiRLoc基于强化学习的空中目标定位模型，显著优于启发式方法，能在灾区场景中实现高效搜索。

Aleksis Pirinen, Anton Samuelsson, John Backsund 等

提出Embedding空间参数解释框架，支持GPT-2参数零样本对齐与迁移，验证模型在嵌入空间的可解释性。

Guy Dar, Mor Geva, Ankit Gupta 等

提出iPFI算法，能在数据流上进行在线特征重要性解释，实验验证其有效性。

Fabian Fumagalli, Maximilian Muschalik, Eyke Hüllermeier 等

提出基于物理先验的扩散桥模型，显著提升分子和点云生成质量。

Lemeng Wu, Chengyue Gong, Xingchao Liu 等

MapTR采用结构化Transformer，基于Permutation-Equivalent建模，实现实时高精度HD地图构建，mAP提升5.0，速度8倍。

Bencheng Liao, Shaoyu Chen, Xinggang Wang 等

提出基于选择-推理链的可信多步推理模型，显著提升逻辑推导和科学问答的准确率。

Antonia Creswell, Murray Shanahan

基于深度学习的对齐问题，分析AGI潜在的目标偏差与风险。

Richard Ngo, Lawrence Chan, Sören Mindermann

DreamBooth通过微调扩散模型，实现少量图片绑定唯一标识，支持多场景生成。

Nataniel Ruiz, Yuanzhen Li, Varun Jampani 等

提出解决LLM捷径学习问题的方法，显著提升OOD泛化性能和对抗鲁棒性。

Mengnan Du, Fengxiang He, Na Zou 等

利用改进的矩阵松弛算法，提出适用于机器人和视觉的鲁棒几何估计契约，保证在高比例异常值中精确恢复。

Luca Carlone

提出基于随机奇异值分解连接的Sketch-and-Project收敛性分析，线性改善速率，支持稀疏矩阵。

Michał Dereziński, Elizaveta Rebrova

冷扩散：通过无噪声变换逆转任意图像变换，提升生成模型的多样性。

Arpit Bansal, Eitan Borgnia, Hong-Min Chu 等

使用ViT结合8点算法进行相对姿态预测，提升有限数据下的性能。

Chris Rockwell, Justin Johnson, David F. Fouhey

KuaiRand利用随机曝光视频，收集12类用户反馈，解决推荐偏差问题。

Chongming Gao, Shijun Li, Yuan Zhang 等

提出可调节非线性激活的RAN模型，提升硬件效率，RAN-e和RAN-i在ImageNet和硬件上表现优异。

Kartikeya Bhardwaj, James Ward, Caleb Tung 等

本研究提出推荐模型的缩放规律，发现模型性能遵循幂律+常数关系，数据规模为关键驱动因素。

Newsha Ardalani, Carole-Jean Wu, Zeliang Chen 等