本研究提出了两种概率驱动的时间脉冲变换方法，以解决脉冲神经网络中传统神经元建模的复杂性。这些方法在增强隐私性和学习性能的同时，保持了可扩展性。实验结果表明，这些时间动态提高了脉冲神经系统的生物合理性和泛化能力。

本研究提出了一种新方法GPMFS，旨在解决高维多标签学习中的维度诅咒问题。该方法结合全球特征与个性化特征选择，显著提升了学习性能和解释性。实验结果表明，其在多个真实数据集上表现优异。

本文探讨了输入数据独立性假设的局限性，提出了改进版的和解多项网络（RPN 2）。通过引入数据和结构的依赖函数，显式建模数据间的相互依赖，从而提升学习性能并扩大兼容性。这种统一表示方式为设计新架构提供了可能，超越当前主流模型的性能。

本文介绍了一种新算法“Discriminator-Actor-Critic”，旨在解决基于对抗模仿学习的隐式偏差和复杂性问题。该算法通过离线策略强化学习降低交互复杂度，并设计无偏差奖励函数，适用于多种任务。研究还探讨了生成对抗模仿学习的理论性质，提出了优化算法和新颖的观察学习框架，显著提升了机器人控制策略的学习性能。

本研究提出了一种新型的空中计算联邦学习方案，通过自适应加权聚合提高学习性能，避免了复杂的信道状态信息传输。研究结果显示，该方案在不同设备和信道条件下相比现有策略提高了15%至30%的准确率。

该论文探讨了多智能体强化学习中的奖励设计，提出多种算法以提高探索效率和任务完成能力。研究表明，经验共享、塑形奖励和分布式任务分配等方法能有效解决稀疏奖励问题，提升学习效率和性能，尤其在复杂环境中表现突出。

本文介绍了一种新型Hopfield神经网络，具备连续状态和更新规则，能够存储大量模式并实现高效检索。研究探讨了原型形成、学习性能与数据集噪声的关系，展示了网络在多原型数据上的稳定性和对抗性鲁棒性，揭示了其在机器学习和生物系统中的应用潜力。

本文探讨了概率电路（PC）及其变种在学习性能和模型容量方面的提升，介绍了概率神经电路（PNC）和图感知积-和网络（GSPN）的新框架，强调了它们在处理复杂数据和缺乏监督数据时的优势。研究表明，这些模型在准确性和鲁棒性上优于传统方法。

本文介绍了一种新的框架，使得多智能体强化学习能够进行迁移学习。通过从其他场景学习到的机动技能，相比于从头学习的智能体，我们的方法在多智能体学习性能方面取得了显著的提升。

本文提出了一种新的多智能体强化学习方法，利用智能体之间的DAG结构提高学习性能，并通过合成奖励的MARL模型证明其作为最优值函数的下限。实证测试表明该方法在四个DAG环境中优于其他非DAG方法。

本文介绍了一种采用随机梯度下降算法的分散式联邦学习（DFL）模型，用于改善代理网络中的学习性能。实验中测试了三种DFL调度策略的收敛性、准确性和损失，结果显示调度策略对收敛速度和全局模型有影响。

本文回顾了学习曲线的起源和定义，综述了高斯过程的学习曲线及其影响因素。特别关注了学习曲线的非理想形状，表明随着更多的训练数据，学习性能变差。指出了各种值得深入的经验和理论问题。总的来说，学习曲线是非常多样化的，无法确定一个通用的模型。

本研究使用多任务微调的方式在预训练的视觉编码器上学习感知技能，通过任务融合解码器指导表示学习，提升了下游机器人操控任务的学习性能。实验验证了任务融合解码器在多个机器人任务和环境中对视觉编码器的表示进行了改进。

该论文提出了一种分层架构，通过上下文调节来更好地模拟机器人控制策略对其形态上下文的依赖关系。实验结果表明，该方法不仅改善了各种训练机器人的学习性能，还以零样本方式更好地推广到未见过的形态。

本文提出了一种针对协作无线电网络的分布式深度强化学习资源分配技术，能够迭代地收敛于一个平衡政策。仿真结果表明，该技术具有更快的学习性能，并能够在足够长的学习时间内在 99% 的情况下找到最优策略。同时，证明了在未协调交互的多无线电情景中使用标准的单智能体深度强化学习方法可能无法收敛。

本研究探讨了行为表示对强化学习学习性能的影响，并评估了不同的分析技术。实验结果表明，行为表示对流行的强化学习任务的学习性能有显著影响，其中一部分性能差异可以归因于优化整体的复杂度变化。研究者还讨论了强化学习算法分析技术的挑战。

本文研究了Winner Take All（WTA）回路在整合分布于不同WTA网络中的信息以及通过自上而下的过程改进WTA网络推理和学习性能方面的适用性，并确认其可根据关键的神经形态学原理实现低延迟和高能效的神经形态硬件。