触觉在机器人自主学习中至关重要，但传统训练方法成本高且效率低。近年来，自监督学习和稀疏表示等新技术为触觉学习提供了新思路。研究者们通过可微分优化和反应式抓取等方法，提升了机器人在复杂任务中的适应性和交互能力。LeTac-MPC控制器通过小样本训练展现出良好的泛化能力和响应性，推动了机器人触觉表征的进步。

本研究提出了一种新方法，结合稀疏表示技术与过度完整相位字典，克服了传统波前重建在复杂波前处理中的不足，显著提高了鲁棒性，具有重要应用价值。

本文提出了一种多语言嵌入框架，通过将图像和文本嵌入到统一的向量空间中，实现高效的图像文本检索。研究表明，稀疏表示和多模态大型语言模型（MLLMs）能够提升检索性能，改善推理速度和准确性，鼓励对MLLMs的进一步研究。

本文探讨了通过引入随机局部胜者通吃激活的深层网络来解决元学习问题。该网络能够提取稀疏表示，提升少样本图像分类和回归的预测准确性，并降低计算成本。同时，研究了深度神经网络中的模型复杂性和连接推断，提出了新的算法和动态构建方法，以提高网络的效率和准确性。

本文汇总了特征选择与贝叶斯分类的多项研究：CIBer技术实现最优特征分区，提升随机森林和XGBoost准确率；比较Lasso与非凸罚函数，发现整数规划性能更优但成本高；改进2NB为NNB以约束差异公平性；评估朴素贝叶斯垃圾邮件过滤需更多安全措施；比较三种贝叶斯变体在网络入侵检测中的表现，高斯分类器最佳；还涉及Fisher-EM稀疏变量选择、无监督特征选择、稀疏表示及神经网络稀疏正则化等方法。

本文研究了神经网络在计算机视觉任务中的敏感性和对抗性攻击的联系，揭示了对输入图像稀疏表示的攻击可以作为常见的神经网络攻击表达，进一步解释了对抗性攻击的普遍性和可传递性。

本文介绍了 Faster CryptoNets，一种使用神经网络进行高效加密推理的方法。该方法使用了稀疏表示在底层密码系统中的剪枝和量化方法来加速推理，并展示了如何使用隐私安全的训练技术来减少加密推理的开销。

本研究提出了一种名为 elephant 激活函数的新类别的激活函数，它能够生成稀疏表示和稀疏梯度，通过用 elephant 激活函数替换传统激活函数，可以显著提高神经网络对遗忘的韧性。该方法在回归、类递增学习和强化学习任务中都具有广泛的适用性和益处。

本文介绍了一种利用Hodge拉普拉斯矩阵进行Hodge分解的方法，以获得稀疏、可解释的梯度、旋度和谐波流形式的观测数据表示。同时，该方法还解决了在图的边缘流中获得稀疏、可解释表示的问题，并引入了一种高效的近似算法来解决细胞推断优化问题。实验结果表明，该算法在真实数据和合成数据上表现优于当前最先进的方法，并且计算效率高。