本研究提出了Point2Quad方法，旨在解决四边形网格生成中的共面性和凸性问题。实验结果表明，该方法在清晰和噪声数据上均优于现有技术，验证了其有效性。

本研究解决了SVDD和SSLM等异常检测方法的非凸性问题，提出了新的凸SSLM公式，并将其转化为凸二次规划。同时分析了超参数对最优解的影响，揭示了不同方法之间的联系及最优解的唯一性。

生物和人工信息处理系统的表示对齐是认知科学、神经科学和机器学习的研究领域之一。该研究提出了一个统一的框架，用于改善不同领域之间的沟通，并提出了一些开放问题。希望能促进跨学科合作和信息处理系统的进步。

本文介绍了一种新的Rényi差分隐私（RDP）界限，适用于DP-SGD变体。该界限适用于不假设凸性、平滑性或Lipschitz连续性的损失函数，并且假设DP-SGD的步长相对较小且损失函数是弱凸的。界限在目标函数的弱凸参数趋近于零时趋于以前建立的凸界限。对于非Lipschitz平滑的损失函数，提供了一种随着DP-SGD迭代次数的扩展良好的界限。

本文提出了一种新的Rényi差分隐私（RDP）界限，适用于最常用的DP-SGD变体。该界限不需要假设凸性、平滑性或Lipschitz连续性的损失函数，并且适用于步长相对较小且损失函数是弱凸的情况。此外，当目标函数的弱凸参数趋近于零时，界限趋于以前建立的凸界限。对于非Lipschitz平滑的损失函数，提供了一种随着DP-SGD迭代次数的扩展良好的界限。

通过研究梯度下降中的学习率与损失函数之间的关系，我们发现简单的非凸扰动可以导致分形可训练性边界，这一发现有助于更好地理解神经网络训练过程中的复杂行为，从而提高训练策略的一致性和可预测性。

通过使用与规则化 RL 相关的固定点方程，我们以全一阶信息表征超梯度，从而回避了对低级凸性的假设，并提出了基于模型和无模型的双层强化学习算法，都被证明具有收敛速度 O (ε^(-1))。

通过分析 Bethe 自由能在其定义域的子流形上的平凸性，本文提出了两个基于 Bethe Hessian 矩阵的确定性属性的充分条件，用于验证 Bethe 逼近的可靠性，并建议了 BETHE-MIN 算法用于高效地找到 Bethe 自由能的最小值，从而为模型的临界相变温度提供了简单的估计方法。

该文章介绍了一种新的贝叶斯推断方法，通过构建映射将先验度量推到后验度量，避免了Markov链模拟。该方法能够产生后验的解析表达式，并能够生成任意数量的独立后验样本。同时，该方法还提供了后验逼近的明确收敛标准，并促进了模型选择。该方法在非线性反问题上表现出了准确性和效率。