机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

本研究提出了一种正交因子基础的双聚类算法（BCBOF），旨在解决高维数据的稀疏性和局部结构问题。该算法利用模糊规则进行股票价格趋势预测，实验结果表明其交易策略能够提升投资者的回报。

本研究解决了ASR系统在不同硬件环境下模型适应性不足的问题。提出的正交Softmax方法能有效地在超网络中识别最佳子网络，从而实现资源高效的模型选择。实验证明，该方法在多个模型尺寸下的表现优于单独训练的模型，具有重要的应用潜力。

本研究解决了在严格隐私限制下，联邦推荐系统中群体公平性不足的问题，尤其关注性别公平。我们提出了一种名为隐私保护正交聚合（PPOA）的方法，利用安全聚合方案和量化技术，提升了各性别群体的推荐效果，并在大多数情况下实现了最佳公平性。实验结果显示，PPOA能有效改善男性和女性的推荐效果，最大提升达到7.30%。

本研究针对现有真实数字正射影像图（TDOMs）在生成过程中面临的各种挑战，如不准确的数字表面模型（DSM）和低纹理区域的视觉伪影，提出了一种名为TOrtho-Gaussian的新方法。该方法通过优化的各向异性高斯核进行正交喷溅，无需显式的DSM和遮挡检测，从而简化了正射影像的生成过程，并在大规模区域的生成中实现了更高效的内存使用和时间优化。实验结果表明，该方法在建筑边界准确性和低纹理区域视觉...

本研究提出了一种新型神经网络——神经物质网络（NMN），通过yat积实现非线性模式识别，无需传统激活函数。NMN在多个数据集上表现优于传统多层感知器，展示了简化架构与有效性的结合，提升了神经网络决策过程的透明度。

本文介绍了一种新的变分推断算法Boosting Variational Inference（BVI），该算法能够有效处理多模态和非标准后验分布。研究还提出了确定性ADVI和基于分数匹配的SIVI-SM等改进方法，显著提升了推断的准确性和效率，尤其在高维问题中表现突出。

本文探讨了通过熵正则化和最优输运理论提高Wasserstein距离计算效率的方法，提出了多种算法，包括基于二阶Wasserstein距离的优化方法、适应性结构的拟合值迭代方法，以及新的EOT求解器ProgOT。这些方法在解决最优传输问题和确保统计一致性方面表现出色，尤其在图像传输和概率测度嵌入领域。

该研究探讨了对抗性样本及训练，提出多样化训练和集成方法以提高深度学习模型的鲁棒性。通过随机化分类器和噪声注入等技术，显著增强了模型对抗攻击的抵抗力，并在多个数据集上取得了优异表现。

本文提出了一种新的少样本定向目标检测方法FOMC，通过定向边界框和动态更新存储器的监督对比学习模块，增强了模型对未见类别的区分能力。实验结果显示，该方法在DOTA和HRSC2016数据集上表现优异，达到了最先进的性能。

本文提出了 pixelNeRF 学习框架，能够在仅有一张或几张图像的情况下预测神经场景表示，支持视角合成和三维重建。该模型在形状、类别和实景方面优于现有技术。此外，研究还介绍了改进的神经渲染方法，如 SANeRF 和 SGCNeRF，提升了渲染质量和速度，展示了在少样本情况下的有效性。

本文研究自监督语音表示的特征空间分布，提出了一种新的说话者标准化方法，有效消除语音中的说话者信息。通过主成分分析，探讨不同层如何编码声学参数，并提出基于子空间的学习机制，应用于语言验证和方言识别。同时，研究无监督声学特征在语音识别中的应用，提升元音分类的准确性。

本文提出了一种因果时空卷积网络，旨在提高边缘计算中基于事件的数据处理效率。该模型在AIS 2024视觉注视挑战中达到了0.9916的P10准确率，并探讨了神经常微分方程和事件驱动处理方法，以显著改善动作识别和目标检测的性能。

为了实现结直肠癌的早期检测和预防，我们设计了一种用于息肉分割的正交方向增强和尺度感知网络 (ODC-SA Net)。该网络通过设计具有正交特征向量基础的矩形卷积核来提取多方向特征，解决了随机特征方向变化和计算负载较大的问题。此外，我们提出了多尺度融合注意力机制 (MSFA) 来强调空间和通道维度上的尺度变化，提高了对不同大小息肉的分割准确性。通过再注意模块 (ERA)...

该文章介绍了一个灵活和模块化的基于概率提升和内核数值积分的批量贝叶斯优化框架，称为SOBER。该框架具有多功能性、无梯度采样器、领域先验分布的灵活性、自适应批量大小、鲁棒性和自然的停止准则等独特优势。该框架可以应用于多种优化问题，并在实验中证明了其有效性。

本文介绍了一种名为MVDream的多视图扩散模型，该模型结合了动态3D网格和扩散模型的优势，能够根据文本提示生成几何一致的多视图图像。MVDream在3D生成方面表现优异，快速生成高质量的3D资源，并在个性化生成中保持一致性。通过微调和新颖的图像去噪架构，提升了生成效率和质量，解决了3D一致性问题，展示了在复杂场景中的应用潜力。

本文提出了两种新的谱图神经网络模型：FavardGNN和OptBasisGNN，并通过实验验证了其有效性。同时，研究了多项式逼近神经网络（PANN）在隐私保护模型推理中的应用，提出了提高推理准确度的方案。此外，探讨了在线优化问题、动态策略及优化算法，并提出了基于物理知识的模型升级方法，显示出更优的优化效果。