现代密码学与古典密码学的主要区别在于安全性定义的可证伪性。自1949年Shannon提出信息论安全框架后，密码学家转向基于计算复杂性理论的计算上不可破的安全性，安全性相对攻击者的计算能力。本文探讨了从图灵机到复杂性类的理论链条，以及安全归约在密码系统中的重要性。

天才陈立杰已加盟OpenAI，负责数学推理。他16岁保送清华，后在UC伯克利担任助理教授，专注于计算复杂性理论，并在信息学竞赛中表现优异，发表多篇重要论文，近期研究扩散语言模型。

瑞安·威廉姆斯在计算机科学领域取得突破，证明少量内存比大量时间更有效。他的研究显示内存的计算能力超出预期，可能为解决计算复杂性问题提供新思路。这一成果引发广泛关注，标志着计算资源研究的重要进展。

MIT科学家威廉姆斯意外发现，少量内存可以显著减少计算时间，解决了计算机科学中停滞50年的难题。他证明了可以将任何算法转化为占用更少空间的形式，挑战了传统的时间和空间观念。这一发现被视为计算复杂性理论的重要进展。

本研究提出双头优化（DHO）框架，旨在解决资源有限环境中视觉语言模型（VLMs）的计算复杂性和训练成本问题。DHO通过独立学习标记数据和教师预测，显著提升特征学习效率，并在多个领域和数据集上超越传统基线。

本研究提出了一种“无反馈重试”机制，以解决大型语言模型在复杂推理任务中的计算复杂性问题。研究结果表明，简单的重试方法通常优于复杂推理框架，挑战了传统对复杂方法优越性的假设。

本研究提出了一种新的递归神经网络机制Lattice，旨在降低序列学习中注意力机制的计算复杂性。Lattice通过利用K-V矩阵的低秩结构高效压缩内存，显著减少计算复杂度。实验结果表明，Lattice在不同上下文长度下的表现优于现有方法，尤其在上下文长度增加时，性能提升更为明显。

本研究提出了一种显著性驱动的动态令牌剪枝框架（SDTP），旨在解决大规模语言模型在长序列推理中的计算复杂性问题。SDTP通过分层剪枝65%的输入令牌，显著降低计算量，提高推理速度，同时保持模型性能。

本研究提出了一种可比边际贡献采样（CMCS）方法，旨在解决Shapley值在特征解释中的计算复杂性，显著提升Top-k特征识别的效率，突破传统方法的局限。

本研究提出了一种新方法，通过多边形表示（主导点或轮廓坐标）解决深度学习模型在图像分类中的计算复杂性和过拟合问题。结果表明，该方法显著降低了计算需求，加快了训练速度，并在边缘设备上表现优越，展示了多边形表示在深度学习中的潜力。

本研究提出首个多图联合推理基准，解决了图神经网络在多场景推理中的计算复杂性和泛化能力不足的问题，并评估了视觉-语言模型在不同图结构上的推理能力。

本研究探讨了关键值变换器（KV Transformer）在语义分割中的应用，旨在解决变换器的计算复杂性和数据依赖性问题。研究表明，KV 变换器在降低模型复杂性的同时，能保持与传统实现相似的性能，适用于医学成像等需要局部推理的场景。

本文研究了传统体素方法在高比特深度点云处理中的局限性，提出了一种分阶段的空间到通道(S2C)上下文模型，改进了数据压缩效果并降低了计算复杂性。通过几何残差编码(GRC)和球坐标系统，该方法提高了重建质量，节省了数据位数，展示了在稠密和低级稀疏点云上的应用潜力。

本研究提出了一种轻量级的二值化Mamba神经网络，旨在解决四开关混合事件视觉传感器的反交错复杂性问题。该方法结合了Mamba和Swin Transformer的优势，显著降低了计算复杂性，适用于边缘设备。实验结果表明，BMTNet在性能和计算效率上表现优异。

本研究提出了一种名为SaMam的图像风格转移框架，基于改进的状态空间模型Mamba，能够高效提取内容与风格信息，解决计算复杂性和局部像素遗忘问题。实验结果表明，其在准确性和效率上优于现有方法。

本研究提出了一种核心-外围状态空间模型(CP-SSM)，有效解决了传统机器学习在脑区关系处理中的不足。实验结果表明，CP-SSM在功能连接组分类中优于Transformer模型，降低了计算复杂性，为神经疾病诊断提供了新的方向。

InftyThink方法通过将推理转变为迭代过程，突破了大语言模型在长上下文推理中的计算复杂性和性能限制，实现了无限推理深度和有限计算成本。实验结果表明，该方法在多个基准测试中提升了性能并降低了计算开销。

本研究提出了一种新框架GraphSparseNet，旨在解决基于图神经网络的交通流预测中的可扩展性问题。该框架通过特征提取器和关系压缩器降低计算复杂性，同时保持高预测准确性，训练时间比传统模型缩短3.51倍。