本研究针对室内定位中亚10米精度的实现难题，提出了一种结合自适应滤波与扩展日志距离、多墙路径损耗和阴影模型的轻量但稳健的方法。结果显示，采用环境参数增强的模型通过自适应卡尔曼滤波实现了5.81米的平均绝对误差，显著优于基线模型，从而为动态变化环境中的高精度LoRaWAN室内定位提供了解释性与高效的解决方案。

本研究针对稀疏对抗扰动提出了快速对抗训练的方法，特别是解决了由1步攻击导致的性能下降和灾难性过拟合（CO）问题。论文提出的Fast-LS-$l_0$方法采用软标签和平衡损失函数来平滑对抗损失景观，实验证明该方法能够克服灾难性过拟合，达到最先进的性能，并缩小1步与多步对抗训练之间的性能差距。

本研究提出了一种自适应标签平滑方法IVON，旨在解决标签平滑中的设计难题，处理标签错误和数据分布变化，其性能优于传统方法。

本文解决了学习增强的一次性最大搜索中现有方法缺乏平滑性或未能实现最佳最坏情况保证的问题。提出的算法首次同时满足一致性和鲁棒性的最佳权衡，且利用获得的平滑性对包含随机性的学习增强环境中的一次性最大搜索进行了分析。该研究的主要发现为算法在不确定环境下的有效性提供了新的保证。

本研究提出了TreeKV，一种直观且无需训练的键值缓存压缩方法，旨在解决长序列和资源有限环境中的信息保留问题。TreeKV通过树结构实现平滑缓存压缩，在语言建模任务中表现优异，相比基线模型在长上下文中显著提升性能，最佳效率仅需6%的预算。

本研究提出了一种随机内点方法框架，解决了现有随机算法在大数据集下的不足，并推出四种新变体，验证了其在机器学习任务中的有效性与效率。

本研究提出了一种新方法FedSB，旨在解决联邦学习中的数据异质性问题。通过标签平滑和均衡去中心化训练，提升了模型的跨领域泛化能力，实验结果表明其优于现有方法。

本研究探讨了图神经网络（GNN）在过压缩和过平滑方面的挑战，提出通过图重连技术来改善信息传播，发现合适的重连方法能显著提升GNN的表达能力和信息流动性。

本研究提出了一种鲁棒的无参考图像质量评估指标，有效应对对抗攻击，显著提升质量预测准确性。

本研究解决了在$p$-范数下具有Hölder连续$q$阶导数的凸目标优化问题，填补了现有方法的不足。作者提出了一种非欧几里得不精确加速近端点方法，利用不精确的均匀凸正则化器。此外，研究还提供了任何通过局部oracle与函数交互的确定性算法的几乎最佳下界。这些成果为相关优化方法提供了新的思路和理论支持。

本研究提出ASER算法，旨在解决大型语言模型的低位量化问题，通过误差重建和激活平滑来提升性能。实验结果表明，ASER在保持准确性的同时，能够有效地量化大型语言模型。

本研究提出了一种新的图神经网络初始化方案（G-Init），有效缓解了过平滑现象，尤其在特征信息不足的“冷启动”场景中表现突出。

本研究解决了图卷积网络(GCN)特征平滑性与节点分类准确率之间的关系尚未明确的问题。通过提出一种新的策略，使GCN能够根据数据和任务学习所需的特征平滑度，我们的主要发现是增强的消息传递方案显著提升了节点分类性能。

本研究解决了现有方法无法解释的ADAM等算法中更新方向偏离真实梯度的问题。通过利用镜面下降框架，我们提出了一种镜面映射，从而在某些假设下与对偶动态建立了等价关系，并揭示了调节稳定性常数可以减少KKT误差的重要性。

本研究分析未训练图卷积网络（GCNs）生成节点嵌入的能力，发现网络宽度影响嵌入差异性，并探讨部分训练GCNs如何在冷启动场景中减少过平滑现象。

本研究提出了一种随机平滑理论，用于在不可微函数中进行梯度估计。该方法无需可微密度或完整支持，提供了通用框架，有效减少梯度估计的方差。

该研究提出了一种基于贝叶斯推断的序列任务学习方法，通过拉普拉斯近似构建高斯后验度量，有效正则化神经网络，解决连续学习中的遗忘与可塑性问题，无需重新访问数据，提升任务性能。