提出基于图神经网络的多变量时间序列异常检测方法（GDN），在两个水处理数据集上显著优于基线，提升准确率。
Ailin Deng, Bryan Hooi
通过在TD3中加入行为克隆正则化和数据归一化，TD3+BC在D4RL基准测试中匹敌SOTA算法，计算成本减半。
Scott Fujimoto, Shixiang Shane Gu
HR-NAS结合轻量级Transformer与多尺度搜索空间，优化高分辨率密集预测网络。
Mingyu Ding, Xiaochen Lian, Linjie Yang 等
提出IXOMD算法，用于在部分可观测零和博弈中自我博弈学习纳什均衡，收敛速度为O(1/√T)。
Tadashi Kozuno, Pierre Ménard, Rémi Munos 等
利用正则化与测度表示，证明两层ReLU网络在教师-学生模型中可高概率学习到教师参数。
Shunta Akiyama, Taiji Suzuki
提出可扩展的贝叶斯符合性推断方法，结合重要性采样实现高效预测区间，确保有限样本校准。
Edwin Fong, Chris Holmes
提出稀疏混合专家Vision MoE，匹配最先进密集模型性能，参数达150亿，推理计算减半。
Carlos Riquelme, Joan Puigcerver, Basil Mustafa 等
提出端到端训练的多文档检索与阅读模型EMDR2，提升准确率2-3个百分点。
Devendra Singh Sachan, Siva Reddy, William Hamilton 等
SimpleView方法在ModelNet40上表现优异，参数量仅为PointNet++的一半。
Ankit Goyal, Hei Law, Bowei Liu 等
STCN以L2相似度提升记忆覆盖，在DAVIS达85.4 J&F、20.2 FPS。
Ho Kei Cheng, Yu-Wing Tai, Chi-Keung Tang
提出GCE-GNN，结合会话图和全局图的双层嵌入提升会话推荐性能。
Ziyang Wang, Wei Wei, Gao Cong 等
提出RobustNav框架，评估导航智能体在视觉和动力学腐蚀下的性能，发现性能显著下降，需进一步研究。
Prithvijit Chattopadhyay, Judy Hoffman, Roozbeh Mottaghi 等
通过哈希层在大型稀疏模型中实现高效参数分配，提升性能。
Stephen Roller, Sainbayar Sukhbaatar, Arthur Szlam 等
提出基于流网络的GFlowNet，用于非迭代多样候选生成，确保采样概率与奖励成正比。
Emmanuel Bengio, Moksh Jain, Maksym Korablyov 等
提出基于逆模型和对比学习的Markov状态抽象方法，提升深度强化学习样本效率。
Cameron Allen, Neev Parikh, Omer Gottesman 等
利用预训练2D模型实现3D点云理解，通过权重复制和微调达成高性能。
Chenfeng Xu, Shijia Yang, Tomer Galanti 等
提出谱注意网络（SAN），利用拉普拉斯谱学习节点位置，超越传统GNN，表现优异。
Devin Kreuzer, Dominique Beaini, William L. Hamilton 等
论文提出Neural Monge Map，以无配对样本学习一般成本的最优传输映射，并在CelebA上达成FID 3.7109。
Jiaojiao Fan, Shu Liu, Shaojun Ma 等
本研究证明自注意力矩阵能用随机投影逼近稀疏模式，隐维度d仅随序列长度对数增长。
Valerii Likhosherstov, Krzysztof Choromanski, Adrian Weller
基于循环不变性理论，证明熵正则化最优传输的解的稳定性，适用于无限成本情况，推动Schrödinger桥和高维优化算法的发展。
Promit Ghosal, Marcel Nutz, Espen Bernton