本文从机器学习视角分析动力系统中的不确定性，区分了内在随机性(aleatoric)与知识缺乏(epistemic)，并探讨其在不同任务中的作用。
Yusuf Sale, Christopher Bülte, Felix Czaja 等
提出EEVEE框架，通过路由器和提示集实现多数据集测试时提示学习，提升模型在异质任务流中的鲁棒性，平均提升10.38-24.32分。
Weixian Xu, Shilong Liu, Mengdi Wang
本文将GP-UCB与DEC在RKHS带宽中的算法复杂度与极小极大复杂度统一在MAIR框架下，揭示两者的本质差异。
Yunbei Xu
提出COGENT，基于神经常微分方程的连续图模拟器，用于长远地理空间网格的物理预测。
Zesheng Liu, Maryam Rahnemoonfar
提出一种高效学习漂移半空间的算法，误差上界为η + ˜O(Δ^{1/3}/γ)，在Massart噪声下实现近似最优。
Mingchen Ma, Guyang Cao, Jelena Diakonikolas 等
本文提出基于演化替代矩阵的灵活核函数，利用高效高斯过程模型预测蛋白质性质，显著优于嵌入基础模型的方案。
Martin Jankowiak, Yerdos Ordabayev, Rudraksh Tuwani 等
本文提出DRPO，通过平滑优势加权二次正则化改善LLM强化学习中的偏差正则，提升训练稳定性和效率。
Jiarui Yao, Xiangxin Zhou, Penghui Qi 等
提出拓扑神经算子（TNO），在细胞复形上实现多尺度、多维度的偏微分方程算子学习，显著提升复杂几何域的预测精度。
Lennart Bastian, Samuel Leventhal, Mustafa Hajij 等
提出全自动时间序列预测架构，结合TimeTrack高频数据与本地采样，利用NAS自动生成高精度模型，有效缓解冷启动问题。
Abd Elghani Meliani, Arora Sagar, Adlen Ksentini 等
提出CoMetaPNS，结合持续贝叶斯高斯混合模型，实现心脏电生理模拟的个性化持续元学习，显著提升预测精度与抗灾难性遗忘能力。
Ryan Missel, Xiajun Jiang, Linwei Wang
提出RP-Regret指标，结合优化算法实现对抗性环境中的策略最小化，提升合作与均衡效果。
Mingyang Liu, Asuman Ozdaglar, Tiancheng Yu 等
提出多项式预处理（PC）层，通过低阶多项式调控权重奇异值谱，提升LLM预训练效率，实验证明在Llama-1B模型中提升速度和准确率。
Senmiao Wang, Tiantian Fang, Haoran Zhang 等
GraphDETR通过端到端训练，将子图检测问题转化为集合预测，能在含1000节点的图中检测50节点的多样子结构，F1得分达91.2。
Dexiong Chen, Till Hendrik Schulz, Karsten Borgwardt
提出一种基于代数恒等式和截断SVD的高维数据流形平均曲率高效计算方法，显著降低复杂度。
Alexandre L. M. Levada
MolE-RAG结合化学文献、分子特征和结构相似性，显著提升LLMs的分子性质预测性能，分类任务ROC-AUC提升至28个百分点。
Joey Chan, Wonbin Kweon, Ashley Shin 等
提出基于分布式DAgger的丰富反馈强化学习方法DistIL，保证单调改进并提升Pass@N指标。
Rishabh Agrawal, Jacob Fein-Ashley, Paria Rashidinejad
Skill-RM通过Agent技能统一多样评价标准，在奖励模型中实现动态资源调度，提升性能，实验中在RewardBench2等基准上优于传统方法。
Tao Chen, Gangwei Jiang, Pengyu Cheng 等
引入“睡眠”范式，通过知识播种与梦境机制实现大模型的持续学习与记忆巩固。
Ali Behrouz, Farnoosh Hashemi, Vahab Mirrokni
提出基于奖励不确定性的多样行为引导框架ROSA，通过奖励分布实现行为多样性，无性能折损。
Anthony GX-Chen, Ankit Anand, Gheorghe Comanici 等
本文提出基于平衡传播（EP）训练预测编码网络（PCN），在ImageNet上实现10层卷积模型，达13.23% Top-5误差，接近反向传播（12.2%）。
Tugdual Kerjan, Rasmus Høier, Benjamin Scellier