本研究提出了一种新方法SED2AM，利用深度强化学习解决多趟时变车辆路径问题。该方法通过引入时间局部性归纳偏置，有效处理旅行距离或时间的变化。实验结果表明，SED2AM在实际数据集上优于现有方法，具有解决更大规模问题的潜力。

本文探讨了大型语言模型（LLMs）在图机器学习中的应用，特别是在节点分类任务中的表现。研究表明，LLMs能够通过增强现有图算法和作为预测模型来提升性能。提出了LLM4DyG基准和DST2方法，以评估LLMs在动态图中的时空理解能力，并总结了其在图分析中的优缺点，讨论了未来的研究方向。

本文介绍了一种新颖的非远见自适应高斯过程规划框架，旨在优化机器人算法参数并确保安全性。研究提出了多种安全贝叶斯优化算法，结合动态环境和高维问题，提升了优化效率和安全性，适用于复杂控制系统的参数优化。

本研究提出了一种通用的循环神经网络压缩技术，能够将LSTM声学模型减小至原来的三分之一，同时保持准确性。研究还探讨了基于深度神经网络的音频编解码器和非线性压缩方法，展示了在多个音频领域的优越性能。比较不同模型在音频效果模拟中的表现，发现LSTM在失真和均衡器方面表现最佳，而State Space模型在饱和和压缩方面更具优势。

本文提出了一种可解释的空时图神经网络（STExplainer）框架，旨在提升STGNNs的可解释性和预测精度。研究表明，STExplainer在交通和犯罪预测中表现优异，能够有效应对数据丢失问题。此外，结合图信息瓶颈理论的因果图神经网络框架也显示出更高的准确率和预测能力。

通过对复杂动态系统中非线性和非平稳性交互的评估，我们引入了用于因果推断的时间自编码 (TACI) 方法，该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试，我们证明了 TACI...

本文提出了一种基于历史预订数据的收益管理方法，利用神经网络预测投标价格，有效应对需求波动和数据限制。研究表明，该方法在应对需求变化时优于动态编程，并接近理论最优。通过引入需求平衡技术，进一步提升了算法表现，验证了其有效性。

本文探讨了基于神经网络的 PDE-Net 及其在动态复杂系统预测中的应用。研究提出多种神经网络架构，结合物理约束与深度学习，显著提升了偏微分方程的求解精度和效率，尤其在小参数和噪声环境下的动态数据处理方面表现优异。

该文章介绍了数值高斯过程的概念，通过对时间依赖偏微分方程进行时间离散化来定义。该方法可以处理只能观测到初始条件的噪声数据，并量化与这些噪声数据相关的不确定性。经过多个基准测试问题的验证，该方法的有效性得到了证明。

本论文提出了一个名为“GrADE”的新框架，用于解决非线性偏微分方程的时间依赖性问题。该框架结合了FNN、Graph Neural Network和神经ODE框架，并使用注意机制来提高性能。研究结果表明，该框架在解决PDE建模问题上表现出色。

基于流形的自编码器方法用于学习非线性动力学中的非线性方程，其中流形潜变量空间根据 Ricci 流演变。

该文介绍了一种无需参数化的技术，结合U-Net-like CNN和有限差分法领域的离散化方法，学习稳态Navier-Stokes方程近似解。作者比较了基于物理的CNN和基于数据的方法，并展示了将两种方法相结合的性能。

本文研究了随时间变化的分布的随机优化问题序列，应用在线随机梯度下降并建立了其动态遗憾界，采用Wasserstein距离。同时，建立了在线随机近端梯度下降的遗憾界，并将其应用于CVaR学习问题。通过改进现有证明，得到了在线随机梯度下降的遗憾界。

该研究提出了一种新的算法，将有声语音的检测、基频估计和音高跟踪三个子任务集成成一个单一的过程，并通过使用标准度量标准的组合提出了一个无监督语音分类器来实现音素检测。实验结果表明，该方法在音高检测方面具有明显的优势。