ArbGraph通过冲突感知的证据仲裁提高长文本RAG的可靠性，减少幻觉现象。
Qingying Niu, Yuhao Wang, Ruiyang Ren 等
DAG-STL框架实现了在信号时序逻辑(STL)约束下的零样本轨迹规划，显著提升了复杂任务的规划能力。
Ruijia Liu, Ancheng Hou, Xiao Yu 等
通过深度先验增强玻璃表面重建，提升机器人导航精度。
Jiamin Zheng, Jingwen Yu, Guangcheng Chen 等
使用偏差感知的模拟推断框架，解决选择偏差问题，提升估计准确性。
Jonas Arruda, Sophie Chervet, Paula Staudt 等
使用事件相机的螺旋桨传感进行相对状态估计，误差低于3%。
Ravi Kumar Thakur, Luis Granados Segura, Jan Klivan 等
EmbodiedLGR-Agent结合轻量级图表示和检索，实现机器人语义-空间记忆的高效构建与检索。
Paolo Riva, Leonardo Gargani, Matteo Frosi 等
COFFAIL数据集包含咖啡准备中机器人的成功和异常技能执行，支持模仿学习。
Alex Mitrevski, Ayush Salunke
基于相似度的投资组合在黑箱优化中通过k近邻微调实现性能提升。
Catalin-Viorel Dinu, Diederick Vermetten, Carola Doerr
MARC方法通过模块化表示压缩提高推荐系统效率，在线测试提升eCPM 2.82%。
Yunjia Xi, Menghui Zhu, Jianghao Lin 等
提出了一个理解人机协作脆弱性的框架，分析了基础条件和修复负担。
Varad Vishwarupe, Marina Jirotka, Nigel Shadbolt 等
使用遗传编程的符号回归的泛化界限分析，揭示结构选择和常数拟合的复杂性。
Masahiro Nomura, Ryoki Hamano, Isao Ono
引入惯性项的全并行概率伊辛机在实时应用中实现了显著加速，成功率提升。
Ruomin Zhu, Abhishek Kumar Singh, Jérémie Laydevant 等
VS-WNO在Jetson Orin Nano上未能将尖峰稀疏性转化为部署成本优势。
Jason Yoo, Shailesh Garg, Souvik Chakraborty 等
LaviGen框架利用3D生成模型实现自回归布局生成，在LayoutVLM基准上物理合理性提高19%。
Haoran Feng, Yifan Niu, Zehuan Huang 等
使用强化学习后训练的小模型在小分子药物设计任务中表现出色，接近最先进的前沿模型。
Shriram Chennakesavalu, Kirill Shmilovich, Hayley Weir 等
提出DeepInsightTheorem框架，通过识别核心技术提升非正式定理证明，显著优于基线。
Yunhe Li, Hao Shi, Bowen Deng 等
通过双重评估框架，分析LLMs在越南法律文本上的表现，揭示可读性与准确性之间的权衡。
Van-Truong Le
提出SAGR框架，通过语义区域图协调多机器人语言引导搜索，在大环境中效率提升18.8%。
Ruiyang Wang, Hao-Lun Hsu, Jiwoo Kim 等
通过任务奖励优化，提升Llama-3.2-3B-Instruct等模型在数学数据集上的表现。
Sarthak Mittal, Leo Gagnon, Guillaume Lajoie
使用CompCQ框架对LLM生成的能力问题进行跨领域分析，揭示其生成特征。
Reham Alharbi, Valentina Tamma, Terry R. Payne 等