LSTM之父Schmidhuber质疑何恺明是残差学习的奠基人，指出早在1991年，Hochreiter已提出循环残差连接以解决梯度消失问题。他认为ResNet等深度学习成果应归功于早期研究，争论已持续多年。

本文介绍了VITAL策略学习框架，通过将操作任务分为到达和局部交互两个阶段，结合视觉和触觉感知，提高机器人在精细操作中的成功率和泛化能力。VITAL利用视觉-语言模型进行目标定位，并通过触觉反馈实现高精度操作，克服了模仿学习和强化学习的局限性。

机器之心数据服务已上线，提供高效稳定的数据获取，帮助用户轻松获取所需数据。

本研究提出轨迹贝尔曼残差最小化（TBRM）算法，旨在优化大型语言模型（LLM）推理中的基于值的方法。TBRM有效应用贝尔曼残差最小化思想，消除对评论家和重要性采样的需求。实验结果表明，TBRM在数学推理基准上优于基于政策的方法，同时计算和内存开销相似或更低，证明基于值的强化学习能有效提升LLM推理能力。

本研究提出了一种深度乘积单元残差神经网络（PURe），有效解决了深度卷积网络在表达能力和参数效率方面的问题。PURe在多个数据集上超越了深层ResNet，展现出更快的收敛速度和更强的抗噪声能力，显示了其在计算机视觉中的应用潜力。

本研究提出动态差异感知时间残差网络（DDaTR），有效解决了纵向放射报告生成中空间和时间特征提取不足的问题，显著提升了报告生成的性能和准确性，具有重要的临床应用潜力。

本研究针对声音转换中源说话者的音色信息泄露问题，提出了一种新的解决方案，即引入残差块作为内容提取器。研究证明，通过通用语义字典的内容特征重表达模块，该方法能够有效减轻音色泄露，从而显著提高目标说话者的相似度。

本研究提出了一种新方法ReDRAW，旨在解决模拟与现实动态不一致的问题。通过对潜在状态动态进行残差校正，ReDRAW优化了强化学习代理的想象回合，有效避免了传统方法的过拟合现象。

本研究针对深度残差网络在对抗性鲁棒性和网络可认证性方面存在的挑战，提出了一种基于线性矩阵不等式（LMI）框架的新方法设计L-利普希茨深度残差网络。通过使用格尔什戈林圆定理来近似特征值位置，我们提供了一种构造利普希茨约束网络的可证明参数化方法，以提升网络设计的鲁棒性，尽管存在对非线性动态性能的抑制问题。

本研究解决了当前基于大语言模型（LLMs）的表格数据生成方法的局限性，特别是随机示例选择导致的生成质量下降。提出了一种创新的上下文学习框架TabGen-ICL，通过迭代方式从真实样本中检索代表残差的子集，显著提高了生成质量，并在五个真实世界表格数据集上表现出优越性，误差率减少了3.5%-42.2%。

本研究提出多速率残差混合（M2R2）框架，旨在解决自回归生成中的推理效率与生成准确性之间的权衡。M2R2通过动态调整残差速度，提升早期对齐，从而显著提高推理效率，优于现有方法。

本研究针对自监督学习在音乐理解任务中的应用，提出了一种新的音乐表征学习模型MuQ。与以往采用随机投影或现有神经编解码器的研究不同，MuQ通过梅尔残差向量量化（Mel-RVQ）生成的token进行训练，显著提升了提取目标的稳定性和效率。实验结果表明，MuQ在多项下游任务上超越了之前的自监督音乐表征模型，具有重要的应用潜力。

本研究解决了现有脉冲神经网络在语音分类中无法处理不同时间尺度信息的问题，并提出了一种新的时间重建方法（TR）和非对齐残差方法（NAR）。这些方法使网络可以同时学习音频数据的多层次语义信息，从而在多个数据集上取得了最先进的分类精度，显著提升了模型性能。

本研究针对脑龄估计这一领域中缺乏准确预测的方法进行了研究，提出了一种新颖的深度学习方法，利用残差神经网络（ResNet101V2）模型从MRI扫描图像中预测脑龄。研究结果表明，该方法在国际脑映射联盟（ICBM）数据集上实现了高准确度，MAE值为0.9136年和0.8242年，能够有效识别脑部衰老的初始迹象。

本研究提出了一种新颖的ResQ方法，旨在解决超大语言模型后训练量化中的高量化误差问题。通过主成分分析，ResQ在低秩子空间中优化激活系数，实现最佳混合精度量化，表现优异。