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。

本研究提出了一种新方法FALCON，旨在解决大语言模型在编码敏感信息时的安全隐患。该方法通过信息论指导参数选择，增强表示分离，有效平衡遗忘与保留目标。实验结果表明，FALCON在遗忘有效性和模型实用性方面表现优异。

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。

本研究提出了一种空间解耦框架，简化了低秩优化的复杂性。通过将有界秩与正交不变约束分解为独立空间，优化过程变得更简单，Riemannian算法在光滑流形上的实现也更为便捷，实验证明该框架具有优越性能。

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...

本研究通过引入Absorb和Decompose操作，解决了大型模型适应中的冗余问题，显著提升了LLaMA-2-7B的微调性能，提供了高效稳定的微调策略。

本研究提出了一种神经物质网络（NMN），通过将输入映射到伪度量空间实现非线性模式识别，省略了传统激活函数。NMN在多个数据集上表现优于传统多层感知器，展示了架构简化与有效性的结合。

本研究提出了一种新颖的子空间扩散模型（Sub-DM），有效解决了MRI重建中扩散模型收敛速度慢的问题，显著提升了重建速度和质量，具有较大的应用潜力。

本研究探讨卷积神经网络中的特征图冗余问题，提出核正交性不一定能减少冗余。通过新损失函数“卷积相似性”，有效降低特征图相似性，从而提升模型性能和收敛速度。

本研究提出了一种优化MFVB问题的“确定性ADVI”方法。与标准MFVB相比，确定性ADVI在后验线性响应协方差预测上更为准确，并且在实际应用中表现出更快和更可靠的特性。

本文介绍了O-Edit算法，用于解决大型语言模型知识更新不及时的问题。该算法通过正交子空间编辑，减少多次编辑的干扰，显著提升编辑性能，达到现有方法的4.2倍，同时保持模型在下游任务中的表现。

本研究提出了一种新的投影梯度下降框架，解决了传统Monge-Kantorovich问题的计算瓶颈。该方法在计算最优运输映射和Wasserstein距离方面表现出显著优势，具有良好的计算性能和创新潜力。

本研究提出了一种新模型和算法，利用Kullback-Leibler散度解决正交非负矩阵分解中弗罗贝nius范数的不足。该方法在文档分类和超光谱图像解混合中效果显著，特别适合处理泊松分布数据。

研究提出了一种集成机器学习模型，通过多样化梯度和高置信度边界实现可证书鲁棒性。通过多模型平滑策略，证明集成模型在一定条件下优于单一模型。引入轻量级多样性正则化训练，提升了模型在MNIST、CIFAR-10和ImageNet数据集上的L2鲁棒性。

本文介绍了一种名为正交映射（OM）的方法，用于解决细粒度目标检测中的语义混淆挑战。OM通过在特征空间中引入正交约束，提高分类准确性。实验证明OM在三个数据集上的效果卓越，尤其在ShipRSImageNet数据集上，OM相对于FCOS在mAP上提升了4.08%。

MomentsNeRF是一种新的神经渲染框架，能够合成具有复杂纹理和形状的图像，并实现噪声降低、伪影消除和填补缺失部分等功能。在实验中，MomentsNeRF超越了最先进的技术，在新视角合成和单图像三维视图重构方面表现出色。