本研究提出了一种新颖的耦合多物理场神经算子学习框架（COMPOL），显著提升了对复杂物理关系的捕捉能力，预测性能提高了两到三倍。

本研究提出了一种信息边界感知学习框架（InBoL），旨在提高多模态大语言模型（MLLMs）在面对信息不足时拒绝回答的准确性，从而增强其可信度。

本研究提出了“噪声提示”概念，通过将高斯噪声转化为黄金噪声，构建了学习框架和数据集，从而显著提升了文本与图像的对齐效果。

本研究提出了一种多视角知识转移学习框架（MVKTrans），旨在解决多组学数据中的复杂相互作用和疾病异质性问题，从而提升分类性能，实验结果优于现有方法。

本文提出了一种新的神经网络学习框架，通过优化算法的抽象精炼循环，动态构建输入空间，实现可证明的机器学习网络。应用于ACAS Xu和碰撞检测数据集，证明了安全性与精度的兼得，关键在于抽象精炼方法。

本研究提出了一种新的学习框架，解决了内窥镜深度估计中参数适应性不足的问题。该框架能适应多种子空间，显著提升性能。在SCARED数据集上的实验中，性能提升了4.1%到10.2%。

本研究提出了一种新的学习框架，解决了平滑提升算法的样本复杂性问题。该框架在光滑分布上进行弱学习，而在统一分布上需要更多样本。这一发现与现有平滑提升的性能相匹配，并提供了对复杂性理论中的Impagliazzo硬核定理的新视角。

本文提出了一种基于行为感知的学习框架，结合强化学习和反向动力学预测目标，将行动信息纳入表示学习中。该方法在视觉模型基准测试中表现优势，并通过实时数据训练，比预训练模型更具鲁棒性。

SAL是一个新的学习框架，使用无标签数据来提高检测超出分布数据的安全性和可靠性。它通过分离候选离群值并使用这些值和标记的正态数据训练离群值分类器，证明了其能以较小的错误率分离候选离群值，并在基准测试中取得了最先进的性能。

本文提出了一个新的学习框架，使机器人能够通过自然语言指令遵循路线，无需先前环境知识。通过学习空间和语义信息，将指令解释为预期行为分布。该算法在可声控轮椅上成功评估，结果表明能够成功遵循新颖的扩展环境中的自然语言路线指令。

本文提出了一个新的学习框架，使得机器人能够通过自然语言指令成功遵循路线。算法利用空间和语义信息学习环境的度量和属性分布，并将指令解释为预期行为分布。通过推理地图和状态分布，使用新型规划器求解策略，框架在可声控轮椅上得到评估。结果表明，算法能够成功地遵循新颖环境中的自然语言路线指令。

本研究提出了一种无需时间标签的弱监督视频段落定位方法，通过新颖的学习框架实现高效灵活的定位。实验证明该方法在最先进方法上表现出色。

本文介绍了一种基于多模态数据的学习框架，通过多任务学习将特权知识传递和模态信息融合为一个优化过程，解决了基于不完整模态的推断问题。该框架在RGB-D分类和分割任务上具有最先进的性能。

本文介绍了一种基于学习的框架，通过优化波前调制和计算轻量级的前馈重构网络来改善散射介质下的成像。实验证明该方法在成像技术中取得了显著进展。

该文章介绍了一种根据样本难度发现有效课程的学习框架，使用注释熵和损失作为难度度量标准，发现了重要结论。该框架在自然语言处理任务上表现优于现有的课程学习方法。

该论文提出了一个基于元学习近似概率推理的学习框架VERSA，使用摊销网络构造了一个不同于传统优化的前向传递框架。该方法在评估中表现出色，能够处理任意数量的FEL-SHOT和分类任务。

本研究使用语言模型自身来引导任务规范化的学习框架，通过与用户进行自由形式的、基于语言的交互来提取和推断预期行为。实验结果表明，通过生成开放式问题或综合信息临界案例等方式激发语言模型表现的结果通常比用户编写的提示或标签更具信息量。用户反馈认为交互式任务引导所需的工作量较小，并能提供用户新颖考虑。研究结果表明，基于语言模型的任务引导可以成为强大工具。

pixelNeRF是一种学习框架，可以通过少量图像预测神经场景表示。与现有方法相比，该框架无需每个场景优化，可实现视角合成和三维重建。实验证明，该模型在形状、类别和实景方面优于现有技术。

本文提出了一个新的学习框架，使机器人能够通过学习和推理环境模型，成功遵循自然语言路线指令。该算法利用空间和语义信息学习环境度量和语义属性的分布，并将自然语言指令解释为预期行为的分布。通过推理地图和状态分布，使用新型置信空间规划器直接求解策略，在可声控轮椅上评估了该框架。结果表明，该算法能够成功遵循新颖扩展环境中的自然语言路线指令。

pixelNeRF是一种学习框架，可以通过少量图像预测神经场景表示，实现视角合成和单幅图像的三维重建。该模型在形状、类别和实景方面优于现有技术。