本文探讨了再生核希尔伯特空间理论在有监督学习和回归中的应用，提出了新的算法和模型，解决了非线性函数数据分析和偏微分方程的学习问题。研究展示了神经算子的有效性，强调了数据驱动方法在科学问题中的潜力，并提出了无监督预训练和上下文学习方法以提高数据效率和泛化性能。

本文提出了一种贝叶斯层次模型，用于预测车削加工中的表面粗糙度，旨在提高数据利用效率和预测精度。与多个贝叶斯线性回归模型对比，展示了该模型在不确定性量化方面的优势。此外，研究探讨了机器学习在金属增材制造和材料发现中的应用，强调了数据驱动方法在优化过程中的潜力。

本文介绍了多种数据驱动方法，如MIOFlow和基于粒子滤波的模型，旨在从不完整和噪声数据中学习和预测复杂的时空动态。这些方法结合了神经网络和最优传输技术，在处理部分观测数据和提高样本效率方面表现出色，具有广泛的应用潜力。

大模型对AI研究有害，进展缓慢，可能导致领域停滞。大量不了解机器学习的人加入，只为利用现有技术开发有利可图的服务。大模型是否是人工智能存在争议。工具在文本挖掘中有用，展示了数据驱动方法的价值。

本文提出了一种结合深度学习与标准求解器的数据驱动方法，快速模拟不可压缩的欧拉方程，取得了优于现有方法的2D和3D结果。研究探讨了卷积神经网络的对称性引入及其在物理动态预测中的应用，展示了高准确性和速度提升。

数据驱动方法在机器人控制领域快速发展，但在未知任务领域的泛化仍是挑战。研究发现，深度和语义信息的表示可用于视觉导航，并提高控制策略在不同环境中的泛化能力。表示还减小了训练和测试领域之间的距离，改善了泛化误差。方法可通过预训练吸收更多数据来扩展和改进学习策略。

该文介绍了一种基于不可微分计划器的逆强化学习方法，用于从专家提供的演示中学习奖励函数。该方法相比于采用特定假设的数学模型，能够得到更好的奖励推断，并保持在数据驱动方法和已知人类偏差之间的平衡。

通过数据驱动方法设计了一种针对具有和不具有记忆的信道的极化码方法。该方法利用神经网络替代原始译码器的核心元素，并在输入空间中嵌入信道输出的附加神经网络。该方法具备理论保证，计算复杂性不随信道记忆大小增长。在无记忆和具有记忆信道上展示了性能，并与最优极化译码器进行了比较。适用于SC和SCT译码器不适用的情况。

本论文研究了从RGB视频中重建三维物体网格的方法，结合多视角几何和数据驱动方法来优化物体网格以适应多视角光度一致性，并通过形状先验来约束网格变形。作者采用逐片图像对齐的形式，通过光度误差更新形状参数，无需深度或掩膜信息。此外，作者还展示了如何通过虚拟视点的光栅化来避免零光度梯度导致的退化问题，并展示了采用光度网格优化的方法从合成和真实视频中获得的三维物体网格重建结果，相比于传统的网格生成网络或表面重建方法，避免了繁琐的手动后处理。

本文提出了一种数据驱动的方法来建模饱和像素，并通过学习潜变量映射解决非盲目去模糊问题。为了提高去模糊图像质量，避免伪影，引入了先验估计网络，并将其融入到RL方案中。实验结果表明，该方法在合成图像和真实世界图像上表现出色，优于现有算法。