本文提出了一种基于随机神经网络的概率推理算法，利用Stein变分法优化神经网络参数，适用于多种目标分布。通过训练深度能量模型和神经采样器，实现高质量图像生成。同时，研究了强化学习中的样本效率与适应性，提出改进模型RGDM，显著提升样本生成控制能力。

该研究提出了一种基于扰动的主动学习策略，旨在以更低的注释成本建立高效的问答模型。通过训练神经网络和模仿学习，研究了稀缺类别中的主动搜索问题，并提出新算法以减少标记数据，提高机器学习性能。该方法在多个基准数据集上表现出色，显著降低了计算资源需求。

本研究探索了基于在线学习的状态空间模型 (SSMs) 设计，将其视为特定在线学习问题的元模块，并通过优化这些目标来导出状态转换规则，提出了一种基于隐式更新的新型深度 SSM 架构。实验结果表明，该模型在标准序列建模基准和语言建模任务中优于最先进的 SSMs，包括 Mamba 模型。

本文介绍了一种名为自适应模型融合（AdaMerging）的创新技术，该方法通过无监督学习自动调整模型融合系数，显著提高了性能和泛化能力。实验表明，AdaMerging在处理数据分布漂移时表现出更强的鲁棒性，相较于现有方案提升了11%。

本文提出了一种基于共享动态的时序数据因果发现框架，能够有效识别样本间的因果关系，并处理噪声和混淆问题。介绍了集成去噪技术和自举置信区间自动识别动力学定律的方法，以及结合学习方法研究加速方法的综合框架。此外，还探讨了在无专家输入情况下独立发现方程的工具，以及利用深度神经网络识别非线性动态系统的方法。

本文研究了扩散生成模型的后验采样问题，提出了一种相对轨迹均衡的数据无关学习目标，并将其应用于视觉、语言和控制等领域，展示了其在生成建模和离线强化学习中的潜力。

本文探讨了垂直联邦学习（VFL）的安全性和隐私保护，提出了解耦的VFL（DVFL）和多方参与的MMVFL框架与算法，旨在提升模型性能和通信效率，同时解决数据隐私问题。研究分析了特征重要性和相关性对VFL性能的影响，并提出了评估指标和数据集分割方法。

通过ATT3D框架，可以更快地创建3D对象，实现跨提示的知识共享和插值平滑，适用于新资产和简单动画的3D建模。

该文介绍了一种新的摊销变分推断方案，用于处理实证贝叶斯元学习模型。该方案使用变分自编码器方法在有限的训练数据上学习模型参数的先验分布，并建议在模型参数的条件先验和变分后验分布之间共享相同的摊销推断网络。与早期的 Monte-Carlo 近似方法相比，该变分方法避免了条件先验的崩溃并保留了模型参数的不确定性。在miniImageNet、CIFAR-FS和FC100数据集上的评估结果表明，该方法具有更好的性能。

今天在和 @bobo 聊天的时候，讨论起了摊销这个话题，我觉得很有价值，因此记录下来。 事情的前提是出于控制开 […]