使用行列式点过程优化蒙特卡罗积分，提升估计器的方差收敛速度。

Guillaume Gautier, Rémi Bardenet, Michal Valko

提出异质性感知的个性化联邦学习模型，提升工业预测分析中的故障时间预测精度。

Yuhan Hu, Xiaolei Fang

S2MAM通过双层优化实现鲁棒估计和变量选择，验证于16个数据集。

Xuelin Zhang, Hong Chen, Yingjie Wang 等

Sessa通过在反馈路径中引入选择性注意机制，实现长程记忆增强。

Liubomyr Horbatko

提出了有界比率强化学习（BRRL）框架，实验表明在MuJoCo等环境中性能优于PPO。

Yunke Ao, Le Chen, Bruce D. Lee 等

Apollo模型整合28种医学模态和12个专业领域的临床记录，预测新疾病风险达5年。

Andrew Zhang, Tong Ding, Sophia J. Wagner 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

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

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

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

HILBERT框架通过双重对比学习和信息均衡正则化，在长序列音频-文本表示学习中实现了显著性能提升。

Habibeh Naderi, Behrouz Haji Soleimani, Stan Matwin

使用梯度指纹检测和抑制奖励欺骗行为，在数学、代码和逻辑推理基准上表现优异。

Songtao Wang, Quang Hieu Pham, Fangcong Yin 等

原型锚定概念模型（PGCMs）通过视觉原型验证概念对齐，提升解释性。

Stefano Colamonaco, David Debot, Pietro Barbiero 等

Muon优化器在MLP表格深度学习中表现优于AdamW，适合在可接受的训练效率下使用。

Yury Gorishniy, Ivan Rubachev, Dmitrii Feoktistov 等

通过固定点框架分析循环Transformer的稳定性和泛化能力，验证在国际象棋、数独和前缀和任务上的性能。

Asher Labovich

SortedRL通过在线长度感知调度加速大语言模型的强化学习训练，提升效率并提高性能。

Yiqi Zhang, Huiqiang Jiang, Xufang Luo 等

提出Graph Energy Matching (GEM)，在分子图生成中超越离散扩散模型。

Michal Balcerak, Suprosana Shit, Chinmay Prabhakar 等

Scaling DoRA通过分解范数和融合内核实现高阶适配，显著降低内存使用，提升速度。

Alexandra Zelenin, Alexandra Zhuravlyova

SPA方法通过精心设计的提示生成大规模合成数据，实现知识注入，表现优异。

Kexian Tang, Jiani Wang, Shaowen Wang 等

提出了一种在排名反馈下进行在线学习的新算法，解决了传统数值反馈缺失的问题。

Mingyang Liu, Yongshan Chen, Zhiyuan Fan 等