本研究提出了一种新在线算法TurboQuant，旨在解决向量量化中的均方误差和内积失真问题。该算法通过随机旋转输入向量和优化标量量化器，有效保持几何结构。实验结果表明，其在关键值缓存量化和最近邻搜索中优于现有技术。

本研究利用卷积神经网络实现水位监测，解决了传统手工测量的低效和误差问题。结果表明，测量准确性显著提高，$R^2$值为0.9885，均方误差为0.2766，为灌溉系统管理提供了可靠的解决方案。

本研究比较了神经网络中的均方误差（MSE）和Softmax交叉熵（SCE）目标函数，提出了一种新颖的输出重置算法，以增强分类器的鲁棒性。实验结果表明，结合sigmoid激活的MSE在噪声数据下表现更佳。

研究表明，基于全局标记和局部窗口的注意力图能提高时间序列预测的准确性，均方误差降低3.6%。该方法可替代分块嵌入方案，提升transformer模型性能。

研究评估了16种现代CATE模型在43200个数据集上的表现，发现62%的CATE估计误差高于简单预测器。即使在有效数据中，CATE估计也表现不佳，显示出这些模型在捕捉现实世界异质性方面的局限性。

本研究提出了一种基于均方误差的风险方法，通过将校准问题转化为回归问题，优化分类器校准的平方误差估计。利用独立同分布的输入对，显著提升了现有估计器的性能，并与核岭回归的新估计器进行了比较。

本研究提出了一种经验贝叶斯估计器，解决大型语言模型在特定主题问答数据集上高方差的准确性问题。通过平衡直接估计和回归估计，该方法显著提高了模型性能的子群估计精度，降低了均方误差，估计的置信区间更窄。

研究解决了随机梯度下降在强凸光滑最小化问题中的偏差问题。新方法改进了均方误差的分解，明确了最优协方差矩阵的依赖性。发现均方误差的主要项为$ ^{-1/2}$，次主项为$ ^{-3/4}$，表明更精确的分析可推动SGD的应用。

本研究提出了一种新方法——后验均值修正流（PMRF），在图像恢复中优化后验均值预测，提升感知质量并减少均方误差。实验表明，PMRF在多种任务中优于传统方法。

该文章介绍了一种新的深度算子网络框架，使用Rényi的α-散度进行广义变分推断，学习复杂算子并量化不确定性。该框架通过修改变分目标函数，在减小均方误差和改善测试集上的负对数似然方面取得了更好的结果。在预测准确性和不确定性量化方面，该框架超越了确定性和基于标准KLD的变分推断DeepONet。通过调整超参数α，可以优化特定问题的性能。该方法在重力摆、对流-扩散和扩散-反应系统等力学问题上展示了潜力。

本文介绍了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF模型在大规模驾驶数据集上比现有方法减少了7％至40％的均方误差，并在移动车辆渲染的PSNR方面获得了45％的增益。

本文介绍了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF模型在大规模驾驶数据集上优于现有方法，减少了均方误差并提高了移动车辆渲染的PSNR。

本文研究了隐私洗牌模型下的私有向量均值估计问题，提出了一种新的多消息协议，实现最优误差。同时，设计了一个单消息协议，实现均方误差。研究还证明了协议的最优性和对恶意用户的鲁棒性。

介绍了神经网络模型PRUNe，用于解决干涉成像中的相位恢复问题。该模型能够准确、平滑地恢复相位图像，且在低光强和高光强干涉图像上表现出较低的均方误差。提供了更快速和准确的相位恢复方法，适用于多帧噪声成像技术。