本研究提出了一种验证引导高斯数量控制（VGNC）方法，旨在解决稀疏视图3D重建中的过拟合问题。VGNC通过生成验证图像来优化高斯数量，显著降低过拟合，提高渲染质量，减少高斯点数量，从而降低存储需求并加快训练与渲染速度。

本研究提出一种两阶段框架，解决因错误标签导致的强模型过拟合问题，显著提升模型性能，某些模型改进达到100%。

本研究将生成对抗网络（GANs）与主动外观模型（AAM）结合，解决了计算机视觉中非线性参数优化的难题，显著提升了拟合的准确性和效率，尤其在高变异性和遮挡情况下表现优异。

本研究针对深度学习在拟合非线性薛定谔方程中的不足，通过采用特征解耦分布方法（FDD）来提高拟合能力。研究表明，应用该方法后，非线性薛定谔方程的损失显著降低，展示了其在深度学习拟合中的潜在影响。

该研究解决了从点云中准确估计签名距离函数（SDF）的问题，尤其在高噪声点云的情况下。作者提出了一种新颖的统计推理算法，能够在没有签名距离监督、干净点云或点法线的情况下，对数据驱动的先验进行微调，从而实现更好的泛化能力和更快的收敛速度。该方法在表面重建和点云去噪中表现优于现有最先进的方法，具有重要的实际应用价值。

研究探讨了转换器模型在训练数据中过拟合的问题，特别是序列长度的影响。通过字符串编辑函数，提出新的识别错误指标，揭示模型在处理长序列时的局限性及其与结构特征的关系。结果显示，模型倾向于遵循结构特征，可能影响复杂任务表现。

该研究探讨大型语言模型在知识编辑中过拟合的问题，尤其是在多轮推理中高估编辑目标概率的现象。提出了评估基准EVOKE，并介绍了“学习推理”（LTI）策略，通过多阶段推理约束模块，减轻过拟合，优化编辑效果。

本研究分析了线性变换器在随机线性分类任务中的表现，特别是梯度下降的隐式正则化。研究发现，良好泛化需要适当的预训练任务和上下文示例数量，即使在标签翻转噪声下，变换器也能在干净测试中实现接近最佳的泛化效果。

本研究探讨了经典统计直觉在现代机器学习现象（如双重下降和良性过拟合）下的局限性，揭示了这种局限源于固定设计与随机设计之间的根本性差异。研究表明，从固定设计转向随机设计会对偏差-方差权衡的直觉产生深远影响，这一发现有助于理解现代机器学习的预测能力与统计直觉之间的显著差异。

本研究首次揭示了注意力架构中标记选择的良性过拟合问题及其机制，重点研究线性模型和两层神经网络的收敛性，为后续研究提供新视角。

本研究通过引入ALiBi方法的线性最近偏差来提升变换器模型对阅读时间的拟合度。结果显示，使用ALiBi的变换器模型在拟合人类阅读时间方面表现优于标准变换器。注意力头的分析显示，ALiBi的记忆衰减速率对模型的性能提升起了关键作用。

本研究解决了在参数个数大于观测个数（p > n）的情况下，线性模型估计中出现的不可识别参数问题。通过引入双重下降现象和相关的预测机制，提出了一种新颖的过拟合模型，显著提升了对新观察数据的预测能力。研究结果表明，采用适当的估计方法能够有效减小过拟合的影响，从而改善模型的泛化能力。

本文介绍了一种新的双样本检验方法，称为B-tests，使用最大平均差异内核进行检验。B-tests具有较强的测试功率和计算效率，并且具有渐近正常空分布的优势。该方法可以通过内核选择来优化测试功率。