本研究解决了现有去中心化学习方法中常量梯度截断界限和固定级别差分隐私噪声导致的准确性下降问题。提出的Dyn-D$^2$P方法根据梯度收敛动态调整梯度截断界限和噪声水平，从而在保证隐私的同时提高模型准确度。实验结果表明，这一方法在强隐私保证下显著优于采用固定级别噪声的对手，且首次为动态梯度截断界限和噪声水平下的差分隐私去中心化非凸优化提供了可证明的效用界限。

本研究针对现有检索增强生成(RAG)方法评估中的不足，提出了新的自动化评估方法，以信息增益为视角来测量检索质量。具体而言，我们引入了语义困惑度(SePer)这一指标，量化检索对减少语义困惑度的有效性，实验证明SePer与人类偏好高度一致，并在多种RAG场景中提供更精准高效的检索效用评估。

本研究解决了角色扮演对话代理在角色表现效用与内容安全之间的平衡问题。论文提出了一种新颖的自适应动态多偏好（ADMP）方法，根据风险耦合的程度动态调整安全和效用的偏好，并引入耦合边际采样（CMS）来增强模型处理高风险场景的能力。实验结果表明，该方法在提高安全指标的同时保持了效用。

本研究探讨了半值数据估值中效用对结果一致性的影响，揭示了数据、半值权重与效用之间的复杂关系，并提出了空间特征概念，为分类效用提供几何解释。

本文探讨了AI信任值与决策者自信度之间的对齐程度对AI辅助决策效用的影响。研究表明，提高AI信任值与人类预测自信度之间的对齐可以显著提升决策质量，且通过后处理AI信任值来实现多校准的方法有效增加了二者的对齐度和决策效用。

本研究探讨了图像分类中的公平性、隐私与效用之间的权衡，分析了尖锐性感知训练与差分隐私的结合，发现泛化技术可能加剧模型偏见，影响准确性和隐私安全。

研究提出“监狱破解解药”方法，通过调整大型语言模型内部状态的稀疏子集来提高安全性，实验表明调整约5%的状态即可有效。其他方法如ReNeLLM框架和SafeDecoding策略也在探索增强模型安全性。

本研究针对大型语言模型（LLM）在真实与效用目标之间的冲突问题进行了探讨，具体揭示了在多轮互动情境中，如何应对这些矛盾。提出的AI-LieDar框架通过设计真实场景，评估模型在满足目标时的真实表现，发现所有模型的真实率不足50%。这一发现突显了LLM真实性复杂性，并强调了确保其安全可靠部署的进一步研究必要性。

本研究提出了一种名为INTRA的方法，通过对比学习只依赖外观图进行特征识别，消除了配对数据集的需求，并结合视觉-语言模型嵌入，可以灵活生成文本条件下的效用图。实验结果表明，该方法在多个数据集上表现优异，并在新交互和物体的效用扎根方面具有显著的领域可扩展性。

研究提出了一种低成本机器人在家庭环境中收集数据的方法，显著提升了抓取任务的性能。通过人类演示控制机器人操作，展示了零样本学习的潜力。此外，研究探讨了自然语言处理与计算机视觉在机器人中的应用，并开发了新基准COLOSSEUM，以提升机器人的操作泛化能力。

本文介绍了一种基于多臂老虎机框架的决策模型，分析社交网络中的学习与决策过程。个体通过观察邻居行为来最小化后悔。研究提出多种算法，适用于不同网络结构和反馈情况，证明了在社交网络中实现近似纳什均衡的有效性。同时，探讨了延迟反馈和动态偏好下的遗憾最小化问题，提出新的算法和度量标准，具有重要应用价值。

本研究针对合成数据在分析任务中应用时质量不足的问题，提出了一种基于密度比估计的质量评估方法。该框架与现有评估措施相关联，提供了易于理解的全局和局部效用度量，且通过模拟实验验证了其在估计全局效用方面的准确性。研究结果表明，该方法在合成数据生成工作流程中具有重要价值，并已通过开放源代码R包提供实现。

这篇论文探讨了可解释人工智能（XAI）框架，强调机器学习解释的实用性而非信任。提出了五种用例和新的评估方法，旨在标准化XAI研究领域，并介绍了情境重要性和效用方法，提出了Compare-xAI基准测试框架，以改善现有算法的评估。

本文探讨了风险敏感的强化学习问题，提出利用泛化效用函数和近似算法来应对不确定性下的决策挑战。研究强调在非线性设置中平衡各方福利的重要性，并介绍了多目标强化学习算法及其在博弈中的应用，展示了算法的有效性和收敛性。

本文探讨了自监督学习模型在生物声学中的应用，成功识别黄腹掌猴个体声音。研究提出了一种基于深度学习的动物声音分类框架，显著提升了分类性能。此外，研究还提出了生物声学模型BioLingual，能够跨类别识别动物叫声，并建立了语音处理基准SUPERB，验证了模型的潜力和有效性。

本文提出了一种基于深度神经网络和生成对抗网络的方法，旨在生成安全的合成数据，以保护隐私并提升机器学习模型性能。研究表明，该方法在医疗数据和图像生成方面表现优异，能够有效捕捉原始数据特征，同时满足隐私保护需求。

本文探讨了深度强化学习中的鲁棒性提升方法，包括通过平滑性正则化提高策略的抗扰动能力和使用对抗训练增强分类器效果。研究表明，这些新方法在多种攻击下提高了算法的鲁棒性和样本效率，并在多个基准测试中表现优异。

OpenXAI 是一个开源框架，用于评估和基准测试解释方法，包含合成数据生成器和真实数据集，提供22种度量标准以评估解释的准确性和公平性。此外，研究介绍了 AI Fairness 360 和 fairlib 等工具，旨在提高算法公平性和模型可解释性。

本文探讨了大型语言模型的个性化对齐及其安全性与隐私问题，提出了三层次政策框架以平衡用户体验与安全控制。研究分析了模型的脆弱性、潜在攻击及防御措施，并开发了中文 LLM 安全评估基准，评估了15个模型的安全表现。强调了人类偏好对模型输出的影响及隐私问题的重要性，呼吁更多关注用户隐私的研究。