提出视角自适应神经渲染框架，有效解决单图3D重建中的视角不一致问题。
U-Chae Jun, Jaeeun Ko, Jiwoo Kang
提出VANEB框架，结合异方差参数依赖的非参数经验贝叶斯，实现个性化联邦学习，提升MNIST和CIFAR-10上的性能。
Jae Ho Chang, Arnab Auddy, Subhadeep Paul
提出ReMEMBER，基于缺失证据的记忆框架，提升长对话流中的记忆召回和信息补全。
Hyangsuk Min, Hwanjun Song
提出端到端可微的MoE门控网络，结合多LSTM专家用于非线性系统识别，显著提升鲁棒性。
Ali Rajabi, Iman Salehi
本研究对五种梯度优化器（SGD、Adam、Adagrad、Adadelta、CGD）在三种内存策略（标准、检查点、累积）下，结合四种变换器架构（ViT、ModernBERT、Llama 3.1 1B、NanoVLM）进行性能 benchmarking，发现梯度累积最具鲁棒性，优化器表现因架构而异。
Sarthak Mahapatra, Zihan Zhou, Khatoon Khedri 等
提出Tied Trit-Planes，将PTQTP限制为九级均匀量化器，实现持久折叠存储，提升大模型流式服务效率。
Matteo Grella
AeroReformer2采用双边网络结合边界保持与跨模态注意力，实现遥感图像语音引导像素级分割，达62.09% mIoU。
Rui Li, Chenxi Duan, Haoyang Yang
提出结合量子与经典的物理信息Kolmogorov-Arnold网络（QCPIKAN）用于模糊偏微分方程的求解。
Xiang Rao, Yuxuan Shen
InSituANN基于 IVF，利用主机内存避免PCIe瓶颈，实现亿级向量在单GPU上的高效检索。
Yuemeng Xu, Zongxi Liu, Junyu Long 等
提出结合滑动窗口与 Hirschberg 算法的内存优化激活检查点技术，有效支持PyTorch中大规模神经网络的精确最优回溯。
Jędrzej Maczan
FiRe通过固定噪声层次实现高效、局部化的视觉反事实解释，提升速度和质量。
Yan Zeng, Changlu Guo, Oskar Kristoffersen 等
UniMoMo通过专家合并实现推荐模型MoE的后训练压缩，提升速度与效率。
Lei Xin, Bin Gu, Peize Li 等
提出FCAC框架，结合新鲜度约束与随机审计，有效控制欺诈自动化授权，实验达84.4%自动率。
Jie Deng
FailForge通过诊断失败实例，诱导可迁移的程序技能，提升代码代理的验证成功率6.6点。
Dongyi Lv, Fushun E, Aichen Cai 等
提出Graph Circuit Learning（GCL），利用GNN跨模型任务学习电路，最高边AUROC达0.902。
Chester Tan, Moritz Lampert, Courtney Maynard 等
RenderMatte通过全参数微调和组相对对齐，实现精确的图像抠图，达成最优性能。
Zecheng Ren, Yafei Hu, Jianing Zhao 等
CALM框架通过核密度估计和自举阈值实现实时异常检测，支持单一和多测试床环境。
Justyna Witulska, Marcin Szczukiewicz, Artur Tabaka 等
提出生物启发的模块化神经网络（D-SNN），在MNIST等数据集达98%准确率，参数少十倍，抗灾难性遗忘。
Maksim Bazhenov, Serafim Grubas, Vakhtang Putkaradze
本研究系统分析了大规模语言模型内部代码正确性表示的鲁棒性，比较多种提取方法和数据变异对性能的影响。
Francisco Ribeiro, Sohaila Abdulsattar, Renata Gonzalez 等
提出IoA-Suite检测隐藏分歧，模型F1仅达49.5%，私有上下文是瓶颈。
Kaiming Liu, Fuwen Luo, Ziyue Wang 等