本文探讨了人工智能中不确定性推理的挑战，提出了一种第一阶关系概率推理方法，能够在多项式时间内处理有界量词的知识库。该方法在对象集合未知或无限的情况下也能有效推理，并能推导出最紧的界限，确认了固定度数的完备性。

本研究提出了一种非自适应协议，能够在多项式时间内以精度$ ext{ε}$有效学习具有$M$个未知保利项的$k$-体哈密顿量，且不依赖于几何局部性。

研究了层次任务网络规划中的复杂理论界限，发现三个经典问题在常数偏序宽度的原始任务网络上可以在多项式时间内解决。然而，后两个问题只有在有关状态空间的明显必要限制下才成立。通过分析参数化复杂性，发现可以通过替换网络的点覆盖数来实现这三个问题的固定参数可解性。

动态规划是一种多项式时间内解决问题的技术，通过存储子问题的结果避免重复计算。它是对递归的优化，编码简单且最强大的解决技术之一。动态规划有两种实现方式：制表和记忆化。关键是识别重叠子问题和最优子结构。

该论文介绍了一种基于学习的密集子图发现方法，提出了一个多项式时间内获得近乎最优解的算法，并设计了一个可扩展的算法来处理大型图形。实验结果表明算法有效。

本文研究如何计算有向无环图的马尔科夫等价类数量。在部分边缘方向已知的情况下，该问题在一个实例类中是可固定参数可解的。

本文探讨了多模态学习在计算方面的优势，研究表明其可以以指数级超越单模态学习。作者提出了一个对单模态学习而言是 NP-hard 的学习任务，但可以由多模态算法在多项式时间内解决。这一构建基于对两个半空间交点问题的新颖修改。

该论文介绍了一种基于学习的密集子图发现方法，通过查询边子集并观察边权重的噪声来解决问题。论文提出了一个多项式时间内获得近乎最优解的算法，并设计了一个可扩展的算法来处理大型图形。实验结果证明了算法的有效性。