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。

本研究提出了一种扩展解决方案，通过使用基于超平面的决策树和其他机器学习模型来近似原问题，并采用自适应采样和鲁棒优化等方法提高约束近似的准确性。测试结果显示了解的可行性和最优性的改进，并与BARON进行了比较，显示了更好的最优间隙或解决时间。

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。