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。

本研究提出了一种无约束模型合并框架，解决创建强大通用大语言模型的资源和数据限制问题。该框架兼容不同模型架构，专注于推理任务，通过模型合并实现了超越简单加性效果的组合推理，推动去中心化大语言模型的发展。

本文介绍了一种将多个NP完全问题编码为二次无约束二进制优化问题的方法，可以利用量子计算和数字退火等新型计算架构来求解这类问题。实验证明了该方法在经典论证问题及论证集强制执行中的有效性，并与其他近似求解器进行了比较。

本文介绍了一种基于点的可微渲染框架，用于从照片集合中重建场景。该框架结合了残差球谐系数传输模块和空间注意力模块，适应不同光照条件和光度后处理。实验结果显示该方法优于现有方法在渲染质量、收敛速度和渲染速度方面。

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。