本研究针对现有连续空间-时间视频超分辨率（C-STVSR）方法在处理视频数据复杂性时的不足，提出了一种新框架BF-STVSR。通过引入B样条映射器和傅里叶映射器，该方法有效地提升了视频的空间细节和时间一致性，实现了当前最先进的PSNR和SSIM性能。

本文研究了如何从单目视频中合成新视图的问题，尤其是在场景动态和缺乏多视角线索的情况下。提出的SplineGS框架引入了运动自适应样条（MAS）方法，通过少量控制点表示动态3D高斯轨迹，并使用运动自适应控制点修剪（MACP）技术保持动态建模的完整性。实验证明，SplineGS在动态场景的新视图合成质量上显著优于现有方法，并实现了高速渲染。

本研究提出了SmartBSP自我监督学习框架，结合PPO和CNN，旨在解决自主机器人在复杂环境中的路径规划与障碍物避免问题，实验结果表明其具有良好的适应性。

本研究提出了一种新颖的方程发现框架，结合去噪算法、可解释神经网络和物理信息样条拟合，旨在解决机器学习在动态系统建模中的可解释性不足问题。该框架成功识别非线性方程结构，展示了其在物理理解与建模中的潜在影响。

本文提出了一种基于线性样条的二维扩展目标跟踪与分类框架，解决了复杂轮廓处理不足的问题。研究推导了精确的似然函数，并提供了适当的估计器，能够同时估计目标的位置、方向和轮廓特征。数值实验验证了该方法的有效性。

本文提出了一种新算法DL-Polycube，将深度学习与多立方体方法结合，生成高质量的六面体网格，提升等几何分析效率，减少人工干预。

研究引入了一种新的机器学习内原子势框架，称为基于样条的神经网络势（s-NNP）。该框架结合了MEAM势和神经网络的优点，以高效方式描述复杂数据集，并通过样条滤波器编码原子环境，提高可解释性。样条滤波器的灵活性支持多个化学系统间的共享。

本文介绍了GS-SLAM算法，首次在SLAM系统中使用3D高斯表示，实现效率与准确性的平衡。GS-SLAM通过实时可微分渲染加速地图优化，并采用自适应扩张策略重构新场景。位姿跟踪中使用从粗到细的优化技术，减少运行时间。在Replica和TUM-RGBD数据集上表现优异，源代码将于2023年11月发布。

该论文介绍了功能数据分析中集成学习的应用，通过使用不同的功能表示来训练集成成员，并通过多数投票来组合基模型的预测结果，提高了预测准确性。实验证明，该方法可以显著提高性能，为功能数据的投票集成提供了基础，并在FDA领域激发了一个有潜力的研究方向。

介绍了基于样条的神经网络势函数框架，结合了MEAM势和神经网络架构的灵活性，能高效描述复杂数据集。演示了探索原子势函数边界的方法和关键结构变化的好处。使用样条滤波器对原子环境进行编码，并测试了其灵活性。

该论文研究了18种多项式在Kolmogorov-Arnold网络模型中的潜在应用，发现Gottlieb-KAN模型在复杂任务中表现最佳。需要进一步研究这些多项式在更复杂数据集上的表现。

在当前海量数据和透明机器学习的时代，为了在大规模操作的同时提供对方法内部工作的清晰数学理解，本论文提出了一种使用因子化方法来导出高度可扩展的高阶张量乘积样条模型的新方法，以解决目前大规模应用中可解释的半参数回归方法在模型复杂度和交互作用缺失方面的局限性，同时保持计算成本与无交互作用模型相比成比例，我们还开发了一种有意义的惩罚策略并研究了引发的优化问题，并通过评估我们的方法的预测和估计性能来总结。

本文提出了一种新型的双变量微分同胚图像配准模型，具有雅可比方程软约束。该模型通过优化松弛函数来控制变换的雅可比行列式，并采用正则化器确保松弛函数的平滑性。数值实验表明，该算法收敛性强，能控制相对体积的范围，且在大变形下取得了更好的性能。

我们提出了一种新的非线性函数回归方法，称为映射到参数函数模型，通过使用任何监督学习技术解决参数空间中的复杂和非线性函数回归问题。该模型的核心是将函数数据从无限维函数空间映射到有限维参数空间，通过使用任意阶的 B...

本文介绍了一种改进的平面旋转方法（MPRS），它是一种以物理为灵感的空间/时间回归的机器学习方法。MPRS能够处理分散的数据和任意的空间维度，并且在各种测试中表现出与标准插值方法相当的预测性能。它还是一种非常有效的缺口填充方法，具有优越的计算效率和可扩展性。

本文介绍了一种使用深度神经网络学习预测模型的新方法，通过稀疏化神经网络进行优化，实现更好的闭环控制性能。

本文介绍了GRAM-ODE神经网络架构，用于学习动态时空依赖关系的表示。实验表明，GRAM-ODE在六个真实数据集上表现更好。

该研究介绍了一种新的机器学习内原子势函数（MLIP）框架，称为基于样条的神经网络势（s-NNP），可以以计算高效的方式描述复杂的数据集。研究者演示了如何使用该框架探索经典和 ML 内原子势函数之间的边界，并展示了使用样条滤波器对原子环境进行编码会产生容易解释的嵌入层，可以与 NN 的修改相结合，以纳入预期的物理行为并改善整体可解释性。研究者还测试了样条滤波器的灵活性，观察到它们可以在多个化学系统之间共享，以提供一个方便的参考点，从而开始进行跨系统分析。

该论文提出了一种新算法，将神经网络转化为样条表示，桥接了神经网络和逼近理论之间的差距，并使得网络特征图可视化成为可能。该算法已在卷积神经网络上进行了数学证明和实验研究。