本文探讨了LoRA微调中性能、参数与数据复杂性之间的关系，提出了一种基于互信息上界的内部度量，能够更准确地捕捉新旧知识的依赖关系。实验结果表明，该方法在评估LoRA微调的缩放法则上优于传统方法。

该文章介绍了一种解决多智能体强化学习通信问题的方法，通过自我监督的方式使用自动编码器预训练通信策略，实现从智能体观察中学习潜在马尔可夫状态。该方法适应新任务，支持智能体扩展，并能检测异常事件。实证结果显示该方法在未知任务中优于特定任务的通信策略。

该研究提出了一种名为自适应广义Neyman分配（AGNA）策略的新方法，用于固定预算最佳臂识别。该策略在小间隙情况下具有较紧密的上界，并改进了现有策略。研究对固定预算最佳臂识别中的渐近最优策略的存在性问题做出了贡献。

该研究提供了一个评估图神经网络泛化误差的理论框架，探索了图卷积神经网络和消息传递图神经网络两种类型。通过新方法导出上界，为网络在未知数据上的性能提供理论保证。

Adam是一种用于基于梯度的随机目标函数优化的算法，易于实现、计算效率高、占用内存少，适合在数据和/或参数方面比较大的问题。实证结果表明Adam在实践中效果良好，并且与其他随机优化方法相比具有优势。同时，还讨论了一种基于无穷范数的Adam变体AdaMax。该算法的理论收敛性质被分析，并提供了一个和在线凸优化框架下已知最好的收敛速率相当的遗憾界。

该研究提出了一种变分框架来学习深度神经网络的激活函数，以增加网络容量并控制输入输出关系的Lipschitz常数的上界。实施l1约束，获得了稀疏的非线性激活函数，并在标准ReLU网络及其变化上进行了实验验证。