本研究探讨了深度学习中频率估计与贝叶斯推断在参数估计中的取舍。比较线性模型和浅层神经网络后发现，平均点估计通常优于后验推断，但后者在某些低维问题中仍具竞争力。这为理解两种方法的有效性提供了重要见解。

本文探讨了线性模型在时间序列预测中的应用，提出了TSMixer模型，显示出优于现有模型的性能。研究强调交叉变量和辅助信息的重要性，并展示多尺度分解和自适应机制在提升预测效果方面的有效性。实验结果表明，TSMixer及其变体在多种时间序列任务中表现出色。

本文介绍了一种优化线性模型对抗训练的新算法，解决了大规模训练时的低效问题。通过专用求解器，提高了回归和分类问题的训练速度和效率，增强了线性模型在对抗环境下的表现。

Adam优化器结合动量和RMSProp方法，用于梯度下降。初始化时需提供参数生成器、学习率（默认0.01）、动量系数（默认0.9和0.999）、epsilon（默认1e-08）、权重衰减（默认0），以及AMSGrad等选项。不能同时启用foreach和fused，或differentiable和fused。使用step()更新参数，zero_grad()重置梯度。示例中，Adam优化器用于简单线性模型。

本研究首次揭示了注意力架构中标记选择的良性过拟合问题及其机制，重点研究线性模型和两层神经网络的收敛性，为后续研究提供新视角。

该研究探讨了机器学习模型的可解释性，发现线性模型比BERT模型更易于操控。提出了一种基于诚实度的局部元解释技术，以增强用户个性化解释。研究评估了解释系统与预测准确性之间的关系，强调准确性比可解释性更重要，并指出不同子组的解释质量存在公平性挑战。

本文介绍了Bayesian ranking bandit算法在在线学习排序中的应用，通过利用先前的知识提高效能。作者提出了自适应算法，解决了现有工作需要匹配真实先验的局限性，并将结果扩展到线性和广义线性模型。作者还考虑了点击反馈措施，并通过实验证明了算法的有效性。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法。实验结果表明，该可解释的深层网络在表格数据上与最先进的分类器一样准确，并具有与最先进的解释技术相当的解释能力。

本研究使用贝叶斯压缩感知框架研究了重尾先验下的线性模型，并提出了一种高效的方法近似估计高斯方差，实现对完整后验分布的捕捉及模型参数的学习。实验结果表明在图像去模糊中取得了良好效果。

该研究探讨了固定效应多重线性回归模型在过度参数化的数据集上的应用，发现线性模型能够产生精确预测，即使存在非线性依赖关系。研究还提出了一种以预测变量为中心的方法来处理合成和实验数据，特别适用于处理噪声和“不合适”预测变量的正则化问题。

该文章介绍了处理机器学习中数据分布不一致性的方法，包括基于训练环境的公平性方法和在线性模型中的性能展示。作者还介绍了其他相关算法和实验结果，证明了这些方法的优越性。

本文研究了线性模型在时间序列预测中的能力，并提出了基于多层感知机的模型TSMixer。TSMixer在学术基准测试和真实世界的M5基准测试中表现出良好性能，强调了利用交叉变量和辅助信息提高时间序列预测性能的重要性。预计TSMixer的设计将为基于深度学习的时间序列预测带来新的视野。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法。实验结果表明，该可解释的深层网络在表格数据上与最先进的分类器一样准确，并具有与最先进的解释技术相当的解释能力。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法。实验结果表明，该可解释的深层网络在表格数据上与最先进的分类器一样准确，并具有与最先进的解释技术相当的解释能力。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法。实验结果表明，该可解释的深层网络在表格数据上与最先进的分类器一样准确，并具有与最先进的解释技术相当的解释能力。

该研究提出了一种使用新方法训练的深度超网络来生成可解释的线性模型的方法，实现了黑匣子深度模型的准确性和自由的可解释性。在表格数据上与最先进的分类器一样准确，在实际预测中也具有与最先进的解释技术相当的解释能力。

该研究提出了一种用于基因组关联研究的标准线性模型，具有准确转换、快速算法和有效计算边缘似然的三个创新点。已成功应用于多发性硬化的大规模关联研究。

该研究使用对称等变性注意力机制，应用于自学习蒙特卡洛方法，成功提高了线性模型的接受率。在二维格上的自旋-费米模型中观察到类似于大型语言模型的缩放率的接受率。