本研究提出Galvatron系统，自动识别大规模基础模型训练中的最佳混合策略，显著提升训练效率，优化分布式训练的简化与高效性。

本研究探讨了多目标马尔可夫决策中的期望收益向量实现问题，提出通过混合有限纯策略精确逼近任意期望收益向量，并在所有策略下完全实现期望收益，对随机策略设计具有重要意义。

本研究解决了强化学习在长时间操作任务中采样效率低和忽视任务语义信息的关键问题。提出了一种基于时间逻辑的混合策略框架（HyTL），通过三层决策层提高智能体的表现，并提高了解释性。研究结果表明，HyTL在四个复杂操作任务中的有效性和可解释性显著提升。

本研究探讨了澳大利亚法律引用预测的挑战，比较了多种方法，发现特定任务的指令调优和混合策略显著提升了引用的准确性。

本文介绍了一种将测试时适应性整合到迭代扩散反转过程中的框架，通过扩散网络和时间噪声模型来探索退化视频剪辑中的帧相关信息。实验结果表明，该方法在恢复受天气影响的视频方面优于最先进的方法，并在合成和实际世界视频中对未知天气条件的普适能力得到了验证。

本研究探讨了电子商务领域持续预训练对大型语言模型的影响，并证明了其有效性。同时，提出了一种混合策略来更好地利用电子商务半结构化数据。

本文介绍了一种新颖的解决方案，Hybrid POlicy Path plannEr (HOPE)，它将基于强化学习的智能体与 Reeds-Shepp...

本研究通过多智能体深度强化学习解决无人机受到恶意软件攻击的问题，并提出了一种先进的专家技术和改进的学习智能体性能。通过应用新的混合策略，专家智能体和学习智能体能够共同合作并取得了改进。

数据增强技术提高计算机视觉模型泛化能力。本文介绍了两种新型数据增强技术，针对不同ially private学习的约束条件。第一种技术DP-Mix_Self通过在自我增强的数据上执行mixup，实现了SoTA分类性能。第二种技术DP-Mix_Diff通过合成预训练扩散模型的数据纳入mixup过程，进一步提高性能。

我们提出了一种名为LESS的算法，用于估计数据影响并执行低秩梯度相似性搜索。实验表明，使用LESS选中的5%的数据进行训练通常优于全数据集的训练。所选数据具有高度可迁移性。该方法能够识别出在预期的下游应用中体现必要推理技能的数据。

近来，多智能体路径规划中的Ensembling Prioritized Hybrid Policies方法备受关注。该方法通过选择性通信模块、Q学习算法和高级推理策略提高通信方式下的性能。实证评估显示，该方法在复杂多智能体环境中与最先进的神经网络方法相竞争。

本文证明了混合策略纳什均衡模型收敛于混合策略社交导航游戏的纳什均衡，并提出了一个基于数据驱动的框架，通过将代理策略初始化为从人类数据集中学得的高斯过程来构建游戏。基于提出的混合策略纳什均衡模型，开发了一个基于采样的群体导航框架，在模拟环境和非结构化环境中的真实人类数据集上评估，结果优于非学习和基于学习的方法，并达到了人类水平的群体导航性能。

本研究探讨了电子商务领域中持续预训练对大型语言模型的影响，并证明了其有效性。同时，提出了一种混合策略来更好地利用电子商务数据。

本文提出了一种本地开发的混合方法，结合抽取和生成式摘要技术，通过强化学习优化聊天转录的 summarization 质量，同时展示了在没有手动生成参考摘要的情况下，该方法在大规模部署聊天转录摘要方面的效果。

DoubleMix是一种插值数据增强方法，通过在神经模型的隐藏空间中进行插值和学习“偏移”特征来提高模型的鲁棒性。该方法在六个文本分类基准数据集上优于其他流行的文本增强技术，并且在低资源情况下也能保持性能的提升。

该文介绍了一种基于生成对抗网络的数据增强协议，用于解决医学图像领域中数据稀缺的问题。通过调节网络以控制合成图像的外观，并将其注入到训练集中，以提高数据集类别的准确性水平。