本研究提出了一种具有多重外推动量的随机一阶方法（SFOM），用于高度平滑的无约束随机优化问题。该方法通过多次外推和动量步骤加速优化，实验和理论分析表明其样本复杂度优于现有最佳结果，具有实际应用潜力。

本文研究了通过识别最优变量来减少QUBO矩阵规模的方法，以提升优化问题的解决质量与效率。探讨了量子计算及特定硬件在组合优化中的应用，验证了量子技术在旅行商和装箱问题上的潜力，并提出了将多目标问题转化为单目标的有效策略。

本文介绍了多种基于3D高斯喷涂的场景重建和动态视图合成方法。GS-W方法通过引入独立特征和自适应采样，显著提高了渲染速度和质量。Wild-GS优化了无约束照片集合的3D高斯粒子着色，提升了渲染效率。新提出的3D几何感知可变形高斯喷洒方法通过融合3D几何特征改善动态重建。这些方法推动了3D高斯喷涂技术的发展。

该研究推广了神经坍缩现象到不平衡类别的交叉熵损失下，并证明了类均值会收敛到长度不同的正交向量结构。实验证明了这一结果。

本文介绍了插拔式去噪的流行迭代框架，提供了关于正则化理论的概述，并调查了几种新近的数据驱动方法作为正则化方案。同时，提出了一种新颖的谱滤波技术来控制正则化强度，并严格证明了插拔式与线性去噪器的收敛正则化方案。数值实验验证了这个理论分析在层析成像的经典反问题中的有效性。

该论文提出了一种可扩展和内存高效的增量近似梯度方案，用于解决大规模CCA问题。该方案只涉及瘦矩阵和小矩阵分解，存储复杂性和可拓展性更优秀，适用于实时处理。

COSMO是一种用于无环结构学习的无约束连续优化方案，具有渐近更快的收敛速度和优异的图结构重建表现。