该研究提出了一种新策略，针对在线社交网络中有限信任对影响力传播的影响。通过控制理论优化多代理目标选择，实验证明该方法在改善舆论和减少极化方面优于传统方法。

本研究解决了传统神经网络在模仿学习中缺乏输出错误补偿的问题。通过引入反馈机制和分层神经网络结构，提高了未训练字符的书写准确性，验证了神经网络与控制理论结合的潜力。

本文提出了多种基于机器学习和控制理论的方法，以提高电力系统的安全性和性能。研究内容包括基于屏障证明的Simplex算法、图神经网络在电网动态稳定性分析中的应用，以及无模型负荷频率控制方法，旨在应对可再生能源带来的挑战，优化电网管理，确保系统的稳定性和安全性。

本文探讨了强化学习中的安全性问题，提出了多种新算法以提高训练过程的安全性和效率。LAMBDA利用贝叶斯模型优化样本效率，CRABS算法实现零安全违规，Safe DreamerV3结合拉格朗日方法和规划，确保低维任务的安全性。此外，研究还提出了基于控制理论的安全过滤器和集成模型预测控制方法，显著减少约束违规，确保在不确定环境中的安全性。

该文章综述了强化学习的优化和控制方法，重点关注连续控制应用。通过一个线性二次调节器（LQR）的案例研究，描述了学习理论和控制理论的融合可以提供非渐进特征，并表明这些特征趋向于匹配实验行为。同时，讨论了学习系统在不确定环境中的挑战以及强化学习和控制领域提供的工具如何应对这些挑战。

本文提出了一种替代经验风险最小化的方法，通过处理输入扰动来实现可靠结果。利用控制理论的工具来开发和理解机器学习，将深度神经网络解释为控制系统离散化。文章提供了鲁棒训练的新解释，并在低维分类任务上进行了测试。

该文介绍了一种基于符合性预测和控制理论的算法，用于时间序列预测的不确定性量化问题。该算法能够在在线环境中前瞻性地模拟符合性得分，并能适应由季节性、趋势性和一般分布变化引起的系统误差。作者在美国州级 COVID-19 死亡人数提前四周预测的实验中，与官方 CDC 通讯中使用的集合预测方法相比，覆盖范围有所改善。作者还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测，并提供了一个可扩展的代码库。

该研究提出了一种基于符合性预测和控制理论的算法，用于时间序列预测的不确定性量化问题。该算法能够在在线环境中前瞻性地模拟符合性得分，并能适应由季节性、趋势性和一般分布变化引起的系统误差。实验结果表明，该算法在美国州级 COVID-19 死亡人数提前四周预测中的覆盖范围有所改善。同时，该研究还使用自回归、Theta、Prophet 和 Transformer 模型对电力需求、市场回报和温度进行了实验预测，并提供了一个可扩展的代码库。

该论文提出了一种基于控制理论的强化方法，使用反馈控制构建了神经网络架构，增强对抗攻击的防御能力。实验结果显示该方法比现有技术更有效。