哈尔滨工业大学与苏州大学提出了一种新的记忆巩固方法，确保智能体在知识积累过程中保持身份一致性。通过将巩固定义为确定性函数，避免了传统方法中身份变化的问题，解决了知识更新与审计合规的矛盾。这一创新在金融和医疗等领域具有重要应用价值。

哈尔滨工业大学与苏州大学提出了一种新的记忆巩固机制，确保智能体在知识积累过程中保持身份一致性。通过将记忆巩固定义为确定性函数，避免了传统方法中身份变化的问题，解决了知识更新与信息完整性之间的矛盾。这一创新在金融和医疗等受监管领域具有重要应用价值。

本研究提出了seq-JEPA模型，旨在解决自监督算法在视觉表征学习中的局限性，特别是二视图范式下的不变性与不等变性之间的权衡。该模型能够同时学习这两种表示，显著提升图像分类等任务的性能。

多核处理器芯片由多个单线程核心组成，每个核心有自己的私有数据缓存，最后级缓存（LLC）由所有核心共享。缓存一致性协议分为一致性无关和一致性导向两类，前者确保写操作在返回前对所有核心可见，后者允许写操作异步传播。维护一致性需定义多个不变性，如单写多读不变性和数据值不变性，缓存一致性在所有存储结构中相关，包括L1、L2缓存和主内存。

本研究解决了大型语言模型在自然语言处理中的长度外推能力不足的问题。通过引入基于信息熵不变性的创新方法，提出了两种新的缩放温度：InfoScale和CosScale，显著提升了长度外推性能并达到了最新的研究水平。实验结果显示，该方法在GAU-α模型上实现了超越七种现有方法的表现，有助于改善长范围上下文处理中的注意力得分稀释问题。

本研究探讨了在智能系统和网络应用中将不变性整合到数据表示中的重要性。通过回顾不变性在数据表示中的历史和发展，本文强调了这一原则在深度学习重新思考背景下的重要性，并指出了当前研究中的挑战和未来发展方向。

本文解决了图神经网络（GNNs）中两个基本挑战：缺乏不变性学习的理论支持以及缺乏统一模型在同质和异质图数据集中的优异表现。通过建立和证明图的尺度不变性，提出了ScaleNet这一统一网络架构，在多个基准数据集上取得了最先进的性能，并强调其在图学习中的理论和实践意义。

本研究提出了特征空间语义不变性(FSI)框架，以解决开放集领域泛化中的未知类别样本检测问题。该方法通过保持特征空间中的语义一致性，提高了对未知领域实例的检测准确性。在ColoredMNIST数据集上的实验结果显示，AUROC提升了9.1%至18.9%。

本文探讨了超图数据中的线性层的置换不变性和等变性，提出了一种新的线性层架构，提升了深度神经网络在处理异构图数据时的性能，并在少量数据下实现良好推广。此外，文章讨论了等变神经网络的设计及其在复杂拓扑特征空间中的应用，具有重要的理论和实践意义。

本文研究因果表示学习，提出可计算的度量标准以评估表示的非平凡性和解缠性。作者探讨了无干预情况下的可识别性，强调额外约束的重要性，并提出恢复潜在因果变量的算法，推动因果模型研究进展。

本文介绍了一种基于稀疏位移层（SSL）的卷积神经网络构建方法，优化了网络结构，实现高准确率和速度。提出自适应多相采样（APS）方案，确保卷积神经网络的“移位一致性”。研究还探讨了通过转移学习提高训练效率，并提出新的CNN设计方法，以减少推理计算量，提升模型精度和鲁棒性。

本研究提出了一种基于深度学习的新图像聚类方法，能够有效处理聚类中的不变性，并提供聚类中心和分配的解释性。实验结果表明，该方法在图像聚类基准测试中表现优异，前景广阔。

通过系统调查了解表示不变性对于迁移学习的重要性以及在预训练过程中与其他参数的相互作用，结果表明，学习具有较高迁移性能的表示时，与适当转换的不变性与其他因素（如训练样本数量、模型架构和预训练类别的身份）相当重要甚至更重要，还揭示了在某些条件下不变性可能会损害转移表示的能力，并探讨了不同任务之间不变性的可转移性。

我们提供了一种无监督学习方法，有效地从原始观测中学习并将其潜在空间分解为内容和风格表示。与大多数依赖于特定领域标签和知识的分解算法不同，我们的方法基于内容和风格之间的领域通用统计差异的见解 - 内容在样本内的不同片段之间变化更大，但单词表在数据样本之间保持不变性，而风格在样本内保持相对不变性，但在不同样本之间表现出更大的变化。我们将这种归纳偏差与一个编码器 -...

本文研究了贝叶斯神经网络（BNNs）中的不确定性估计，提出了改进的近似后验分布和推理方法，克服了传统方法的局限性。实验结果表明，所提方法在模型稀疏性和预测精度上优于普通BNNs，有效样本量可提高50倍。

本文探讨了利用自我监督学习和优化理论，从不足的数据中构建强健模型的方法。研究了多环境下的预测、置信区间构建及错误检测技术，展示了新方法在分类器决策中的应用及有效性，并通过因果建模减轻算法偏差，提升模型的公平性和解释性。