本研究提出了一种新方法DeCIL，旨在解决模仿学习中的协变量偏移问题。通过去噪机制增强状态转移映射，显著提高了在噪声干扰下的成功率，无需额外的专家数据。

本研究解决了近似深度神经网络在使用近似乘法器时，CPU和GPU上模拟效率低下的问题。提出的XAI-Gen方法利用新兴硬件加速器的分析模型与可解释人工智能，快速识别近似中的非关键层，发现适合的近似乘法器。结果表明，XAI-Gen在仅有1-2%准确率损失的情况下，能实现高达7倍的能耗降低，且通过XAI-NAS的案例研究，能效提升达到40%，执行时间减少可达5倍，相较于现有最先进的生成方法。

本研究扩展了并行信念收缩中的序列收缩操作，提出了一种基于TeamQueue的n元推广方法，显著提升了在多信息同时影响下的可靠性和一致性。

本研究提出了一种扩展的神经收缩动态系统（NCDS），旨在解决自主机器人任务执行中的稳定性问题。实验结果表明，该系统通过正则化和多任务处理，兼具灵活性与稳定性，推动了自主机器人技术的发展。

本研究解决了凸-凹双线性鞍点问题，特别是当函数$f$和$g$的强凸性条件不同时的收敛性缺口。通过算子理论方法，系统地证明了多种原始-对偶算法的收缩性和线性收敛性，提供了新的收敛保证和更紧的界限，从而对机器学习任务中的问题求解具有重要影响。

本研究针对加权样本协方差估计中存在的问题，提出了渐近非线性收缩公式。该研究的新颖性在于详细推导了指数加权样本协方差的公式，并实验验证了这些收缩公式的有效性，显示出在重尾分布下理论的稳健性。这些新工具为加权样本协方差的非线性收缩方法应用开辟了新的方向。

通过引入新的计算范式，特别是使用 Systolic Arrays (SAs) 这种硬件体系结构以及提出了一种名为 TrIM 的数据流技术，可以显著提高卷积神经网络（CNNs）的能效，并解决数据传输成本方面的问题。

通过DEpS方法，可以降低卷积神经网络的训练成本并实现更好的知识蒸馏效果。DEpS在准确性和成本方面优于现有的一次性训练技术。

我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件。该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型。特别适用于没有测量的流域。该研究的成果已被纳入全球超过80个国家的运行中的预警系统，提供免费的实时预测。

该研究引入了额外的熵损失构建分类器，改进了半监督学习方法在已知和未知类别的分类中的表现。实验证明，在标记数据有限的情况下，取得了巨大的改进。

本文提出了一种新的DPMM的分布式MCMC推理方法（DisCGS），通过使用合适的统计量和折叠的吉布斯采样器，在独立异构的机器间处理分布式数据，具备应用能力。该方法在横向联合学习中取得了显著的可扩展性和执行时间缩短200倍，不影响聚类性能。

本研究提出了一种结合卷积神经网络和隐马尔可夫模型的有效方法，用于对视频胶囊内镜图像进行肠胃分类。该方法在罗得岛胃肠病学数据集上达到了98.04%的准确率，适用于低功耗设备。

该文介绍了一种将控制技术与强化学习相结合的新方法，通过收缩理论实现神经控制的模块化，以确保稳定性。作者通过模拟演示了该方法的必要性和有效性。

本文介绍了一种基于 self-example prior 和 Multi-Scale Latent Structures 的盲图像去模糊算法，该算法在图像金字塔上从粗到细地重建清晰图像，并利用快速本地自匹配、加速的核估计和快速非盲图像去模糊等方法来实现更低的计算复杂度。

该文介绍了一种基于深度展开网络和第一阶迭代收缩阈值算法的相位恢复网络PRISTA-Net，通过可学习的非线性转换处理稀疏先验的近端点映射子问题，并利用注意力机制聚焦于包含图像边缘、纹理和结构的相位信息。实验结果表明，该方法优于现有的最先进方法。