谷歌广告推出“总预算”功能，允许用户为特定活动设置预算，优化支出，避免超支。英国在线美容零售商Escentual.com通过该功能实现16%流量增长，ROAS超出目标5%。

本研究提出了一种新颖的离线算法，利用范德瓦尔斯力和功能奖励编码，显著提高机器人任务中的学习效率和稳定性，同时增强了多样性和处理非平稳奖励的能力。

本研究针对电力市场中经济调度和直流最优潮流问题，提出了集成学习与优化（ILO）方法，以改善经济运行。研究结果显示，ILO方法在减少电力市场后的惩罚及线路拥堵方面具有显著优势，从而有效提升了经济效益。

通过语言模型的计算模拟研究了语序普遍现象，发现具有典型语序的模型困惑度较低，认知偏见和可预测性相互作用解释了语序普遍现象。计算模拟中，认知驱动语言模型具有优势。

PerSenT数据集是一个困难的实体情感分析数据集，提供段落级别的情感注释。使用BERT微调文档级表示不足以解决问题，对整个文档进行段落级别的决策和聚合也无效。数据集包含5.3k个文档和38k个段落，涵盖3.2k个独特实体。

该文章介绍了一种用于解决扩散模型反问题的框架，可以从线性损坏的数据中学习。作者使用环境扩散后验采样（A-DPS）方法，在预训练的生成模型上进行后验采样。作者在自然图像数据集和多线圈MRI测量上测试了该方法，并表明在某些图像修复任务上，A-DPS的速度和性能超过了在干净数据上训练的模型。作者还开源了代码和训练的环境扩散MRI模型。

本研究提出了一种基于社区感知的图聚类框架MAGI，通过模块性最大化作为对比预训练任务，揭示图中社区的潜在信息，避免语义漂移问题。实验证实MAGI在多个图数据集上的可扩展性和聚类性能优于现有方法，在大规模图上表现出优越性能。

基于混合专家模型（Mixture-of-Experts），提出了一种动态数据混合的处理方法以优化模型性能，通过动态地调整训练数据的采样权重，减少数据集中的冗余，从而在有限的训练预算下最大化整体性能。

本文使用HSIC构建独立性统计检验方法，通过分析联合分布和边缘分布乘积之间的距离来定义HSIC。研究结果表明，即使在联合分布的核函数不具有特性的情况下，也可以构建基于HSIC的独立性统计检验，并保持其一致性。

本论文提出了一种新的算法，通过鼓励学习跨组共享的特征来提高少数族裔的性能。实证研究证明该算法在不同组别和少数族裔上的表现优于其他基线算法。同时，论文还从理论上证明了该算法是一种下降方法，并且可以找到平稳点。

提出了一种 PrevMatch 框架，通过最大化利用训练过程中获得的时间知识，有效地缓解了复杂的训练流程和计算负担所带来的限制，同时在各种评估协议上始终优于现有方法，特别是在 DeepLabV3 + 和 ResNet-101 网络设置下，在只有 92 个标注图像的 Pascal VOC 数据集上，与现有最先进方法 Diverse Co-training 相比，mIoU 提升了...

通过信息最大化（InfoMax）概率参数分类器的视角，本文重新探讨了泛化类别发现的挑战，发现通过确保已知和未知类的独立性，同时假设在所有类别上保持均匀的概率分布，可以扩大已知和未知类之间的边界，从而提高模型的性能。为了实现上述独立性，我们提出了一种基于新颖的 InfoMax 方法，即正则化参数 InfoMax（RPIM），该方法在 InfoMax...

本文介绍了一种优化低延迟语言模型（LLM）serving性能的方法，通过引入预填充-解码解耦的方法，构建了一个系统原型DistServe，显著提高了吞吐量并满足时延约束。DistServe正在集成到vLLM中。

我们提出了一种基于消息传递的贝叶斯联邦学习框架 EM-TDAMP，通过组稀疏先验实现结构化模型压缩，加速收敛。通过在波士顿房价预测和手写识别中的应用和数值结果演示了 EM-TDAMP 的优势。