本文介绍了KungfuBot，一个基于物理约束和自适应运动追踪的人形全身控制系统，旨在模仿和控制类人动作。文章分析了通用运动跟踪控制器面临的挑战，如可观测性、硬件限制和数据不均衡，并提出了自适应采样和运动专家混合架构以提升模型性能。

本文研究了物理模型替代建模中的数据生成不平衡问题，提出了一种自适应采样算法（ASADG），通过优化输入数据选择，提高了替代建模的准确性和效率。研究表明，ASADG在数据生成方面优于传统方法。

本研究提出了一种基于能量的主动开放集标注框架（EAOA），旨在解决主动学习在开放集类别中的挑战。该框架通过整合认知不确定性和随机不确定性，采用自适应采样策略，提高了查询精度和模型性能，效果优于现有方法。

本文研究了利用机器学习提高偏微分方程（PDE）求解的准确性，提出了对抗性自适应采样和基于随机神经网络的算法。这些方法在降低计算成本的同时，提升了高维PDE的求解性能，并探讨了主动学习在数据生成中的应用，显著降低了误差。

本文提出了一种结合确定性方法与贝叶斯优化的概率线性搜索算法，利用高斯过程优化目标，消除随机梯度下降中的学习率定义。研究了自适应采样算法的泛化误差，并提出了多层蒙特卡罗渐进优化方法，分析了具有有界更新的迭代学习算法的泛化特性，展示了在不同设置下的改进界限。此外，介绍了一种数据驱动的方法，为经典和学习优化器提供了强泛化保证。

本文探讨了多臂老虎机问题中的多种算法，包括置信上界算法、非参数UCB算法和广义上限置信界算法。研究了在有限样本预算下有效估计多个分布的平均值，并提出自适应采样策略以优化性能。此外，介绍了数据驱动的方法来估计最大误差上界，改进了贝叶斯优化的高斯过程UCB采集函数，显示出在多种问题中优于传统方法的性能。

本文研究了随机梯度下降算法的泛化误差，提出了一种自适应采样算法，结果表明该算法在降低经验风险和提高样本外准确性方面优于均匀采样。同时，探讨了算法的稳定性、随机哈密尔顿方法及其在机器学习中的应用，并提出了新的学习界限和加速方法。

研究人员引入了一种方差控制的自适应采样（VCAS）方法，通过使用细粒度的分层重要性采样和杠杆得分采样，在神经网络训练中加快了训练过程并降低了计算量。在多个任务中评估后发现，VCAS可以减少最高达73.87%的BP计算量和49.58%的整个训练过程计算量，同时保持准确性。