提出了一种无需网络结构信息的简单估计器，用于随机实验中估计总治疗效应，具有统计保证。
Christina Lee Yu, Edoardo M Airoldi, Christian Borgs 等
利用大规模语言模型实现自动形式化，达25.3%的数学题完美转化为Isabelle/HOL。
Yuhuai Wu, Albert Q. Jiang, Wenda Li 等
提出神经人口统计扰动方法，训练公平NLP模型，提升偏差鲁棒性。
Rebecca Qian, Candace Ross, Jude Fernandes 等
研究发现：预训练模型已具备正则化效果，KD和标签正则在微调中作用有限。
Ivan Kobyzev, Aref Jafari, Mehdi Rezagholizadeh 等
多头在线学习模型显著提高延迟反馈的CVR和VPC预测精度。
Hui Gao, Yihan Yang
提出Zero-shot-CoT，通过简单提示显著提升LLM零-shot推理性能，MultiArith从17.7%升至78.7%。
Takeshi Kojima, Shixiang Shane Gu, Machel Reid 等
本文提出ALTI+方法，基于Transformer的编码器-解码器模型，量化源句子和目标前缀对翻译预测的影响，揭示模型内部机制。
Javier Ferrando, Gerard I. Gállego, Belen Alastruey 等
Imagen利用大规模预训练Transformer文本编码器与扩散模型结合，实现7.27的SOTA FID，显著提升图像质量。
Chitwan Saharia, William Chan, Saurabh Saxena 等
StreamingQA利用时间标注数据，评估模型在知识更新中的适应性，展示参数微调与检索更新的效果。
Adam Liška, Tomáš Kočiský, Elena Gribovskaya 等
BBTv2通过无梯度算法优化大模型提示，减少参数，性能媲美全模型调优。
Tianxiang Sun, Zhengfu He, Hong Qian 等
提出“由易到难”提示策略，结合问题分解与逐步求解，显著提升大模型复杂推理能力。
Denny Zhou, Nathanael Schärli, Le Hou 等
BlockDFL利用区块链实现完全去中心化的P2P联邦学习，抗 poisoning，提升隐私与效率。
Zhen Qin, Xueqiang Yan, Mengchu Zhou 等
提出Multi2WOZ多语种任务导向对话数据集及对话预训练框架，显著提升跨语迁移性能。
Chia-Chien Hung, Anne Lauscher, Ivan Vulić 等
提出基于降解感知的半洗牌Transformer深度展开框架（DAUHST），在光谱压缩成像中实现超高性能重建。
Yuanhao Cai, Jing Lin, Haoqian Wang 等
提出深度迁移学习框架，解决图像分类中源目标数据差异问题，提升少样本性能。
Jo Plested, Musa Phiri, Tom Gedeon
提出标签不变增强策略，在图表示空间中生成最难样本，提升半监督图分类性能。
Han Yue, Chunhui Zhang, Chuxu Zhang 等
CALIPSO是一款支持二阶锥和互补约束的微分轨迹优化求解器，提升机器人运动规划的可靠性。
Taylor A. Howell, Simon Le Cleac'h, Kevin Tracy 等
采用参与式设计，分析35名受影响者对儿童福利中预测模型的看法，揭示系统性问题与替代方案。
Logan Stapleton, Min Hun Lee, Diana Qing 等
基于M6模型的开域推荐系统，采用提示调优和多任务融合，支持多任务多域，提升零样本性能。
Zeyu Cui, Jianxin Ma, Chang Zhou 等
提出区域感知度量学习（RAML）结合Meta-Channel Aggregation（MCA），在开源语义分割中实现SOTA性能。
Hexin Dong, Zifan Chen, Mingze Yuan 等