本研究提出了一种贝叶斯预测编码（BPC）方法，克服了传统预测编码在量化认知不确定性方面的局限性。BPC通过估计网络参数的后验分布，实现了快速收敛和有效的贝叶斯学习。

本文提出了一种新的异构自适应联邦低秩适应（HAFL）框架，旨在解决联邦微调大语言模型在多样化数据集上适应特定任务时的计算和通信挑战。研究表明，该方法通过引入重要性参数截断和冻结方案，实现了快速收敛和低通信成本，同时保持了模型性能。

本文分析了深度线性神经网络的学习动态，发现其具有非线性学习特性，如快速收敛和隐式正则化。研究提出了新的前向传播算法和精度分配方法，以提升固定点训练的性能，并探讨了预训练对网络稳定性的影响，为深度学习的稳定性提供了理论基础。

该研究提出了一种新型神经网络PPINN，能够高效解决时间依赖性偏微分方程。PPINN通过将长时间问题分解为短时间问题，实现了快速收敛。此外，研究还展示了物理信息神经网络（PINN）在解决非线性偏微分方程和提高求解准确性方面的优势，尤其在数据稀缺情况下表现良好。

本文研究了深度线性神经网络的学习动态，发现其表现出类似非线性网络的学习现象，如快速收敛和梯度饥饿。通过分析网络结构与学习的关系，提出了早期阶段学习最佳常数解（OCS）的概念，表明这一现象在深度线性网络和卷积神经网络中普遍存在，并探讨了其对人类学习者的影响。

本研究评估了使用基础模型的预训练知识作为FL模型初始化的教师对FL模型性能的影响。结果显示，在胸部X光肺分割任务中，FL模型初始化指导下的FL能更快收敛，并在复杂数据情境中提高性能。为FL中的模型初始化提供了新的视角。

本文介绍了一种新的阈值驱动的UCB-EI贝叶斯优化方法，通过整合UCB和EI获取函数的优势，在高维材料设计空间上实现了更有效的导航和快速收敛。在三个材料数据集上应用该方法，证明了它在RMSE得分和收敛效率上相对于EI和基于UCB的BO方法具有显著更好的近似和优化性能。

该文介绍了一种在线学习方法，利用投标方的效用结构和部分反馈，为拍卖算法提供对最佳固定竞标的遗憾率，快速收敛，几乎等同于完全信息环境下的收敛。

该文介绍了一种感知推断框架，能够处理输入和特征的分割，增强神经网络的表示能力，对对象表示进行迭代分组，实现快速收敛。该方法不假设输入为图像，可以处理其他模态，提供更好的分类性能。