提出了一种神经概率运动原语模型，通过线性反馈策略克隆实现类人控制。
Josh Merel, Leonard Hasenclever, Alexandre Galashov 等
自动算法选择通过特征驱动，显著提升SAT和优化问题性能。
Pascal Kerschke, Holger H. Hoos, Frank Neumann 等
提出了新的相关系数φK，适用于分类、顺序和区间变量，具有Pearson特性。
M. Baak, R. Koopman, H. Snoek 等
提出MeshNet，基于面单元学习3D网格形状表征，解决网格复杂性与不规则性。
Yutong Feng, Yifan Feng, Haoxuan You 等
采用DDPG算法在TORCS模拟器中实现连续动作自主驾驶，验证模型在多场景下的性能。
Sen Wang, Daoyuan Jia, Xinshuo Weng
提出RCM结合RL和SIL提升视觉-语言导航性能，SPL提升10%。
Xin Wang, Qiuyuan Huang, Asli Celikyilmaz 等
提出了一种自适应对抗训练方法，在CUB和Oxford-102数据集上提高了少样本学习的准确率。
Frederik Pahde, Oleksiy Ostapenko, Patrick Jähnichen 等
提出MSCRED模型，结合多尺度签名矩阵、卷积编码器和注意力ConvLSTM实现无监督多变量时间序列异常检测与诊断。
Chuxu Zhang, Dongjin Song, Yuncong Chen 等
基于奖励建模的可扩展智能体对齐方法，核心在于从用户反馈学习奖励函数。
Jan Leike, David Krueger, Tom Everitt 等
本研究揭示GNN评估中存在偏差，强调多数据拆分与公平调参的重要性。
Oleksandr Shchur, Maximilian Mumme, Aleksandar Bojchevski 等
DEBAL通过模型集成解决MC-dropout的模式崩溃问题，提高MNIST和CIFAR-10分类性能。
Remus Pop, Patric Fulop
提出了一种多模态单样本学习方法，使用Siamese CNN在11类交叉模态匹配中准确率提高一倍。
Ryan Eloff, Herman A. Engelbrecht, Herman Kamper
本研究证明在深残差网络中，梯度下降在多项式时间内找到全局最优，关键在于Gram矩阵的稳定性。
Simon S. Du, Jason D. Lee, Haochuan Li 等
使用深度概率集成（DPE）进行大规模视觉主动学习，减少数据需求，提升性能。
Kashyap Chitta, Jose M. Alvarez, Adam Lesnikowski
提出块并行解码方法，基于Transformer模型，提升生成速度至2-7倍，保持质量。
Mitchell Stern, Noam Shazeer, Jakob Uszkoreit
提出融合Gromov-Wasserstein距离，结合特征与结构信息，证明其度量和插值性质。
Titouan Vayer, Laetita Chapel, Rémi Flamary 等
提出异构辅助网络特征模仿，显著提升端到端转向预测准确性，超越SOTA 12.8%/52.1%。
Yuenan Hou, Zheng Ma, Chunxiao Liu 等
本文分析深度策略梯度算法的梯度估计、价值预测与优化地形，发现实际行为偏离理论预期。
Andrew Ilyas, Logan Engstrom, Shibani Santurkar 等
提出改进的尺度不变SDR（SI-SDR），解决原SDR在单通道源分离中的误用问题。
Jonathan Le Roux, Scott Wisdom, Hakan Erdogan 等
提出HDD数据集，结合多传感器和新颖标注方法，用于学习驾驶员行为与因果推理，基线检测算法达80%以上mAP。
Vasili Ramanishka, Yi-Ting Chen, Teruhisa Misu 等