该研究提出了一种基于自适应鲁棒优化的椭球内近似方法，显著提升了配电系统的灵活性表征。
Bai Cui, Ahmed Zamzam, Andrey Bernstein
通过远程操作实现人机协作模仿学习，提升机器人在瓶颈区域的任务成功率。
Ajay Mandlekar, Danfei Xu, Roberto Martín-Martín 等
研究随机正矩阵的尺度化行为，提供集中不等式与渐近收敛速率分析。
Boris Landa
提出一种从单目视频中估计一致的深度图和相机姿态的新算法，超越Sintel基准。
Johannes Kopf, Xuejian Rong, Jia-Bin Huang
用梯度显著性、遮挡图和反事实测试审计奖励函数；网格世界与Atari实验显示其常依赖脆弱捷径。
Eric J. Michaud, Adam Gleave, Stuart Russell
采用Transformer的拓扑规划方法，结合视觉-语言导航，显著优于端到端模型。
Kevin Chen, Junshen K. Chen, Jo Chuang 等
通过最大化熵和元分类提高语义分割中的分布外检测性能，错误率降低52%。
Robin Chan, Matthias Rottmann, Hanno Gottschalk
量化Transformer用于无监督抽取式意见总结，显著提高总结质量。
Stefanos Angelidis, Reinald Kim Amplayo, Yoshihiko Suhara 等
提出样本特定的隐形后门触发器，利用编码器-解码器网络生成，突破现有防御，实验显示高成功率。
Yuezun Li, Yiming Li, Baoyuan Wu 等
提出目标条件Transporter网络，结合深度特征重排，成功操控1D、2D、3D变形物体，显著提升多任务性能。
Daniel Seita, Pete Florence, Jonathan Tompson 等
采用深度学习模型（如LSTM、GAN）预测人类未来位置与流动，提升准确率。
Massimiliano Luca, Gianni Barlacchi, Bruno Lepri 等
神经原型树结合原型学习与决策树，实现细粒度图像识别的可解释性，CUB-200-2011数据集上表现优异。
Meike Nauta, Ron van Bree, Christin Seifert
DiffusionNet利用可学习扩散层实现表面信息传播，具备分辨率和采样无关性。
Nicholas Sharp, Souhaib Attaiki, Keenan Crane 等
MaX-DeepLab通过掩码变换器实现端到端全景分割，在COCO数据集上提升7.1% PQ。
Huiyu Wang, Yukun Zhu, Hartwig Adam 等
Panoptic FCN通过生成卷积核实现高效全景分割，在COCO上PQ达到44.3%。
Yanwei Li, Hengshuang Zhao, Xiaojuan Qi 等
本文提出基于核方法的中心流形近似技术，结合数据驱动的中心流形定理，利用高精度数值模拟生成训练数据，有效逼近非超越性平衡点附近的动力学行为。
Bernard Haasdonk, Boumediene Hamzi, Gabriele Santin 等
HybrIK结合解析与神经逆运动学，实现3D人体姿态与形状估计，MPJPE提升13.2mm。
Jiefeng Li, Chao Xu, Zhicun Chen 等
Srifty结合性能建模与运行时剖面，优化云端分布式神经网络训练的VM配置。
Liang Luo, Peter West, Arvind Krishnamurthy 等
提出AdaBins，用自适应深度区间划分显著提升NYU和KITTI数据集的深度估计性能。
Shariq Farooq Bhat, Ibraheem Alhashim, Peter Wonka
提出神经场景流场模型，实现单目动态场景的时空新视图合成。
Zhengqi Li, Simon Niklaus, Noah Snavely 等