本研究提出高斯图网络（GGN），有效解决了多视图图像中高斯表示的效率和泛化性问题。实验结果表明，该模型在使用更少高斯的情况下，图像质量和渲染速度优于现有技术。

智元推出了通用具身基座模型Genie Operator-1，基于Vision-Language-Latent-Action (ViLLA)架构，结合多模态大模型与混合专家，利用海量数据提升机器人操作能力，支持复杂任务，展现出优越的泛化性和灵活性。

本文探讨了机器学习中的虚假性，指出研究多集中于统计虚假性的传统定义，忽视了模型的实际理解。提出了关联性、泛化性、人类相似性和有害性等多维度框架，强调识别相关性对提升模型性能和公正性的重要性。

本文探讨了归纳逻辑编程（ILP）在机器学习中的应用，提出了解决泛化性差和可解释性不足的新方法。研究介绍了ILP的基本概念、学习模式，以及在公平招聘和金融欺诈检测中的应用，强调了递归程序学习和规则提取算法的有效性。

本研究提出将大型语言模型（LLMs）与进化算法（EAs）结合，以提高自动化优化效率，解决手动干预过多和泛化性差的问题，并分析关键组件以促进两者的融合发展。

在2024国际基础科学大会“基础科学与人工智能论坛”上，AI专家讨论了人工智能的发展方向，包括大模型的抽象能力、主观价值和情感知识，商业应用的超级产品，模型泛化性和互动性的思考，智能体的能力边界，模型的幻觉问题和落地挑战。

本文提出了一种基于图测地线距离（GGD）的光谱框架，用于评估图神经网络（GNNs）的泛化性和稳定性。GGD度量通过光谱图匹配和图粗化方案，有效量化图之间的差异，尤其在节点特征有限时表现出显著改进。实验结果表明，该方法在多种评估指标上优于现有模型。

该文综述深度伪造检测研究，核心是解决模型对特定伪造方法过拟合、泛化差的问题。多项工作提出分离视觉信息、多注意力网络、双流网络、度量学习、自监督预训练及卷积变换器等框架，以学习通用伪造特征，提升跨数据集鲁棒性，并在多个基准上取得更优性能。

该文综述量子卷积神经网络（QCNN）的研究进展，涵盖雷达信号去噪与抗干扰、混合量子-经典框架（QCCNN）、quanvolutional层、可伸缩sQCNN及反保真度训练等方向。实验基于MNIST、Tetris、音频和交通标志等数据集，表明QCNN在精度、训练速度和模型尺寸方面具有潜力，并探讨了其泛化性与物理嵌入机制。

该文提出一种通用跨模态描述符框架，通过近似现有指标与小型卷积神经网络特征空间中的点积，实现快速可变形全局配准，速度比基于局部图像块的方法快数个数量级，可直接用于临床，仅需替换相似度测量。实验表明其泛化性强，无需专门重训练即可适应未知解剖结构和模态组合，训练代码和数据已公开。

该文综述数据增强在视觉强化学习中的应用，涵盖提升泛化性、样本效率与稳定性的方法，如Random PadResize、循环增强及增强数据RL算法，并在Procgen、DeepMind控制套件等基准上验证性能提升，同时探讨人脸增强与鲁棒性机制。

本文综述机器人通过示范学习（LfD）识别物体属性并生成运动的研究，关键方法包括力传感、触觉表示编码器预训练、动态特征提取、局部神经描述符场、信息熵示范选择及受限回归学习框架。实验表明，这些方法能提升机器人在未知物体操作、接触丰富任务及可变形物体操纵中的泛化性与学习效率。

该文综述离线强化学习中的不确定性启发式方法，包括贝叶斯优化、自回归动力学模型、集合多样化演员-批评家、PETS、REM、对抗学习转移模型及双向离线模型想象，表明这些方法能提升样本效率、泛化性与策略质量，并在D4RL等基准上达到最优性能。

视觉语言模型（如CLIP）可作为强化学习的奖励来源，为语言目标提供视觉成就奖励，训练RL代理完成复杂任务。结合少量提示与HER技术，智能体能学会与不同对象交互。LLaRP方法将大语言模型用作可推广策略，成功率提升1.7倍。语言还能增强状态抽象与世界模型学习，提升视觉控制的泛化性。

该文综述多种强化学习改进方法，包括策略集成、高效采样、分层控制、数据增强、自我模仿和经验重放，旨在提升样本效率、泛化性和训练稳定性，并在Atari、Mujoco、机器人及医学影像任务中验证有效。

本文介绍了NN-Steiner，一种新的混合神经-算法框架，用于解决矩形斯坦纳最小生成树问题，并展示了其在复杂示例中的泛化性和与现有方法的比较效果。