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。

本文探讨了图神经网络（GNN）中的过度平滑问题及其解决方案，提出了新的归一化层PairNorm和节点归一化技术NodeNorm。研究表明，合理的初始化和架构选择能显著提升GNN性能，并提出ATNPA框架以总结现有方法，为未来研究指明方向。

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。

本文探讨了图神经网络（GNN）中的过度平滑问题及其解决方案，提出了新归一化层GraphNormv2和ATNPA框架。研究表明，当GNN层数超过8-10时，性能会下降，主要由于可训练性问题。通过理论分析和实验，提出限制梯度流的上界可以提升GNN的可训练性，为深度图模型的构建提供新思路。

SmoothQuant是一种后训练量化解决方案，旨在提高大型语言模型（LLMs）的硬件效率，减少内存使用并加速推理。通过平滑激活异常值和优化权重，SmoothQuant实现了8位权重和激活量化，降低成本同时保持精度。相关方法如AdaDim和Agile-Quant进一步提升了模型性能和推理速度，解决了激活稀疏性问题，推动了LLMs在边缘设备上的应用。

本文提出了多种针对扩散变换器（DiTs）的量化方法，包括EfficientDM、PTQ4DiT和VQ4DiT。这些方法通过量化感知训练和后训练量化技术，在保持图像生成质量的同时，显著降低了计算成本和模型大小，适用于边缘设备的高效推理。

本文介绍了多种基于神经网络的文本转语音（TTS）技术，包括Deep Voice2和Tacotron等使用低维度可训练说话人嵌入的方法。研究表明，生成对抗网络和自回归模型在语音合成中优于传统方法。Universal MelGAN和Mega-TTS系统实现了高质量语音生成，新数据增强技术有效提高了模型的鲁棒性。此外，研究还探讨了口音转换和音色操控的改进方法。

该研究提出了多种改进的支持向量机模型，以解决分类中的高计算成本和过拟合问题。这些模型包括增强的KNN双支持向量机、双参数边际支持向量机和颗粒球双支持向量机，均在分类准确性和效率上表现优异，适用于医学图像和多视角学习等领域。

本研究提出了一种多样化转换的时空图卷积网络（STGCNDT），旨在解决动态图中的复杂时空模式问题。实证结果表明，STGCNDT在链接权重估计任务中优于现有模型。此外，研究还介绍了其他动态图卷积模型，这些模型在交通预测等领域表现出显著的性能提升。