本文介绍了KungfuBot，一种基于物理的人形机器人运动控制方法。该方法通过视频提取运动数据，筛选符合物理约束的动作，并利用自适应机制优化跟踪奖励，以实现机器人模仿人类动作的目标。研究者提出了双层优化框架，提升了机器人在复杂动态环境中的表现。

本研究探讨了神经网络参数重构训练数据的隐私问题，提出了一种双层优化的新公式。实验表明，随机初始化的训练图像能够有效生成重构样本，从而保护训练数据的隐私。

本研究提出了一种新的贝叶斯方法，解决深度学习中的数据点选择问题，克服现有双层优化方法的计算和内存瓶颈，支持大规模语言模型的自动优化。

本研究提出了一种名为AutoAL的主动学习策略，通过两个神经网络在可微分的双层优化框架下优化，解决了不同数据场景下主动学习算法效果差异大的问题。该方法能有效识别最优策略，提高模型准确性，并展示了整合现有主动学习方法的潜力。

本研究解决了多序列随机逼近（MSSA）的理论局限，提出了无需固定点光滑性假设的单时间尺度分析。结果表明，若所有算子强单调，MSSA的收敛速度为$ ilde{ ext{O}}(K^{-1})$；若主算子非单调，速度为$ ext{O}(K^{-rac{1}{2}})$。这一发现简化了双层优化和通信高效分布式学习的算法及性能保证。

本研究提出了两种无须调优的算法D-TFBO和S-TFBO，解决双层优化中步长调节依赖参数的问题。D-TFBO通过“累积梯度范数的逆”自适应调整步长，S-TFBO通过单环结构更新变量。实验表明，这些算法无需调优即可达到现有方法的性能，并且对初始步长选择更具鲁棒性。

本研究提出BiSSL，一种通过双层优化增强自监督学习的训练框架，改善预训练与微调阶段的对齐，提高下游任务的参数初始化。实验显示，BiSSL在多个图像分类数据集上提升了分类精度。

本研究提出了一种数据驱动的双层优化方法，解决分子性质预测中标签稀缺的问题。通过自动获取最佳迁移比率，实现多任务迁移学习，提升了40种分子性质的预测性能，并加快训练速度，克服了手动设计的局限性。

本研究提出了一种多形式攻击策略，利用梯度进化的双层优化框架，提高跨模态对抗攻击的有效性。测试结果表明，该策略在增强对抗攻击的可转移性方面优于现有技术，为理解跨模态系统的安全漏洞提供了新视角。

本文介绍了双层优化的概念，将图学习技术重新解释为双层优化的特殊情况或简化形式，并提出了更灵活的能量函数类，形成图神经网络的消息传递层。同时，探索了与非图神经网络图学习方法的联系，并通过实证结果展示了双层优化方法的多样性。

本文研究了双层优化的一阶算法，通过罚函数方法建立了罚函数与超目标之间的强连接，并提出了一阶算法来优化罚函数，以找到一个 ε- 稳定解。在满足小误差近似条件的情况下，算法以 O (ε^{-3}) 和 O (ε^{-7}) 程度的复杂度达到 ε- 稳定点。