本研究探讨了目标价值和普遍性对人类和AI在混合觅食任务中的决策及眼动行为的影响。实验表明，人类在寻找奖励时表现优异，并开发了一种基于变压器的模型，能够有效模拟人类的觅食行为和眼动模式，该模型在复杂环境中的表现接近人类，展现出良好的决策泛化能力。

本文探讨了人工通用智能（AGI）的发展，提出了结合深度强化学习与时间逻辑的神经符号代理模型。研究强调卷积层在泛化新指令中的重要性，并指出AGI应具备执行无限任务、生成新任务和拥有现实世界模型等特征。同时，文章讨论了AGI面临的能源和对齐挑战，提出了系统性解决方案和评估框架，以推动AGI的安全和负责任部署。

本研究解决了当前神经网络在回归任务中缺乏对神经崩溃现象的系统理解的问题。论文提出了神经回归崩溃（NRC）的新概念，并通过无约束特征模型（UFM）对这一现象进行建模，从理论上解释了数据集和网络架构中的NRC现象。研究结果表明，正则化参数的设定对NRC的出现有重要影响，这一发现可能表明神经崩溃在深度学习中具有普遍性。

本文探讨了储备计算（RC）在时间信号处理中的应用，提出了新的储层计算模型欧拉状态网络（EuSN），并展示其在长期记忆任务和时间序列分类中的优越性能。研究表明，EuSN在计算效率和能源消耗上显著优于传统模型，并提供了对RNN储层系统的统一强普适性分析，强调其在混沌时间序列预测中的高性能。

核岭回归（KRR）是一类广泛应用于深度学习理解的机器学习模型，本研究将其扩展至二次渐近区间，探讨数据分布下核随机矩阵与二次核随机矩阵的差异及泛化误差与训练误差的精确渐近特性。

本研究探讨了深度学习模型的鲁棒性，分析了五个数据集的准确性和校准误差对鲁棒性的影响。提出了一种基于高斯模型的特征分布估计方法，优于传统方法，并研究了vicinal risk minimization的泛化界限。实验证明了新方法在不同环境中的有效性，强调了模型在分布变化下的性能提升。

本研究提出了一种基于多变量时间序列数据的机器学习方法，以提高重症监护室患者的死亡率预测性能。通过分析生命体征数据，采用端到端聚类系统和长短期记忆网络，成功识别患者的生理状态，取得了良好的预测效果。研究强调数据共享和模型泛化能力的重要性，为临床决策提供了有价值的见解。

本文介绍了一个重建人体表示的模型，通过商业扫描数据库实现。该模型在准确性和普遍性方面有所改进，并在稀疏输入数据中提升了恢复人体的性能。

我们提出了一个新的理论框架，用于理解基于耦合的标准化流（如 RealNVP）的表达能力。我们的研究结果支持耦合架构具有表达性，并提供了选择耦合函数表达性的细致观点，弥合了实证结果与理论理解之间的差距。

通过计算 GPT2 模型中神经元激活的成对相关性，研究了不同随机种子下神经元的普遍性，并发现 1-5% 的神经元是普遍的。对这些普遍神经元进行了详细研究，发现它们通常具有清晰的解释，并将其归类到几个神经元家族中。通过研究神经元权重的模式，确定了神经元在简单电路中的几个普遍功能角色。

该论文提出了一种通过元网络在联邦学习网络中学习个性化策略的框架，为每个客户端生成定制的个性化策略。实验结果表明，该框架优于多种标准的手工个性化基线方法，尤其在标签偏移和特征偏移情况下表现更好。

本文提出了一种基于Koopman算子理论和策略梯度方法的政策学习算法，该算法结合了未知动态系统的线性逼近和最优政策搜索，引入深度Koopman表示来提高数据效率，并应用贝尔曼最优原理来避免逼近系统动态引起的长期任务的累积误差，同时提供理论分析以证明算法的渐近收敛性和采样复杂度。

本文研究了机器学习测试中的实证评估隐患，提出了一套良好的实证实践以减轻这些隐患的影响。研究对软件工程社区的共同问题和良好实践进行了初步调查，并在深度学习测试领域为实证研究设定了特定的期望。