本研究提出HuB框架，解决类人机器人在平衡控制中面临的不稳定性、学习难度和传感器噪声问题，显著提高其在极端单腿姿势下的平衡稳定性。

本文提出了一种耦合分布随机专家蒸馏方法，旨在解决在线模仿学习中因对抗奖励或值公式引起的不稳定性问题。该方法通过在世界模型的潜在空间中联合估计专家和行为分布，实现了稳定的性能和专家级结果，优于传统对抗方法。

本研究提出了一种组方差策略优化（GVPO）方法，以解决后训练中的不稳定性问题，确保奖励最大化与最优策略的一致性，从而提供可靠且灵活的后训练范式。

本研究探讨大型语言模型中的政治偏见，提出基于政治科学理论的测量方法。分析了88,110个响应，发现指令调优模型通常偏向左翼，并且测量存在不稳定性问题。

本研究分析了Q学习在连续环境中的不稳定性，指出即使在简单基准测试中，Q学习也可能存在固有的不适定性，这影响了其作为强化学习通用解决方案的可靠性。

本研究提出了一种相对自适应梯度下降（RAD）算法，以解决深度强化学习中的不稳定性问题。RAD通过保角哈密顿系统演化，显著降低了异常梯度的影响。实验结果表明，该算法在多个环境中优于九种基线优化器，尤其在Atari游戏中性能提升达155.1%。

本文研究了机器学习在政治倾向预测中的应用，分析了社交媒体数据和议会记录。研究发现，GPT模型在处理政治问题时存在语言和情感偏见，尤其在中英文模型中表现不同。通过自然语言处理技术，研究预测了重要政治事件，强调高质量数据集对减少偏见的重要性。

本研究分析了传统格林函数方法在大规模稀疏图中的不稳定性，提出了一种新方法，等效于完全连接图的格林函数，并引入加速技术以提升效率，实验结果验证了其有效性和稳定性。

本研究提出了一种图像事件融合点跟踪器FE-TAP，解决了高速场景下基于图像帧的任意点跟踪的不稳定性和有限泛化能力的问题。实验结果显示，该方法在真实驾驶场景中表现优越。

本文介绍了一种新的方法，通过在视频层面上以度量为基础的方式来增强数据域广义化中的反欺骗性能。研究结果显示，扩大模型的骨干网络并不能改善模型的不稳定性，因此提出了一种集成骨干网络的方法，并利用不确定性测量的优势来提升模型的泛化能力。通过在多个数据集上的评估，该方法在偏差、方差、HTER和AUC等指标上超过了现有方法。

研究发现，深度神经网络性能受损，使用更多训练数据可能导致不稳定性。提出减轻不稳定性的策略，如增加正则化强度或引入噪声。强调数据驱动动力系统建模中适当的正则化的重要性。

本文证明了集成模型存在预测不稳定性，需要平衡信息利用和风险。分析揭示了特定集成算法的预测不稳定性形式。

本论文分析了深层网络对对抗性扰动的不稳定性，并提出了一个分析分类器鲁棒性的理论框架。研究结果显示，选定的分类器在小区分能力任务中对对抗性扰动不具备鲁棒性。

该综述文章认为分布语义学在理论语言学领域的影响有限，但在捕捉自然语言意义方面取得成功。文章回顾了该领域在语义变化、一词多义、语法-语义接口等方面的研究成果，并呼吁理论和计算语言学之间更大规模的交叉授粉，以推进语言知识的发展。

本文研究了小规模下训练稳定性和不稳定性的再现和研究方法，重点关注了注意力层中的逻辑增长和输出逻辑概率分歧。研究发现学习率、优化器和模型干预对最终损失的敏感性，并通过研究模型激活和梯度范数的缩放行为来预测不稳定性。