本研究解决了蛋白折叠过程中寻找最低能量构型的计算挑战，提出了一种新颖的上界训练方案，通过掩蔽方法提高了二元水-疏水（HP）晶格模型的折叠预测准确率。研究结果显示，该方法能够有效筛除无效折叠，且适用于更高维度的晶格蛋白模型，突显了先进机器学习技术在复杂蛋白折叠问题上的潜力。

本研究探讨反退火机制在量子退火器优化问题中的潜在优势，实验证明反退火能够从相似问题中获益，并提出了提高成功概率的输入解特征。

本研究解决了通过仅状态专家运动轨迹学习复杂物理依赖机器人运动策略的模仿学习问题。提出的NEAR框架利用去噪得分匹配构建专家运动数据分布的多种扰动版本，学习数据分布能量函数作为奖励函数，通过强化学习学习模仿策略。该方法在复杂的人形任务中表现良好，克服了对抗性模仿学习的优化挑战，并在多个模仿设置中实现了与AMP相当的结果。

本研究解决了退火机器在组合问题求解中的规模限制问题。提出了一种结合退火机器和图神经网络的新方法，利用退火机器的解引导图神经网络的局部学习，从而增强求解能力。实验结果表明，该方法能够有效拓展退火机器处理问题的规模，提升优化性能。

本研究解决了量子退火在非负/二元矩阵分解中的优化性能问题。论文提出了一种创新策略，将逆退火与线性规划放松技术相结合，利用放松解作为逆退火的初始配置，从而在优化性能上取得了显著提升。实验结果表明，该方法在图像数据集上的收敛性优于现有的逆退火方法，展示了结合逆退火与经典优化策略来增强优化性能的潜力。

本研究探索了在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的方法，并证明了其在轨迹预测任务中的有效性。通过使用轨迹信息引导数据选择，提高训练数据的多样性，该方法在不同数据池大小上展示了一致性性能提升。通过整合使用轨迹状态信息的主动学习，证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。

本研究提出了一种新策略来近似两个离散度量之间的Sinkhorn距离，通过筛选可忽略的双重解组件，有效解决Sinkhorn问题。实验证明该方法在规则化最优输送等复杂任务中高效。

该研究提出了一种退火重要性采样方法，用于改进高斯过程潜变量模型的变分推断。实验结果显示，该方法在多个数据集上优于现有技术。

研究者提出了一种基于元学习模型的新方法来研究QA的有效性，并发现问题系数的分布对于确定良好解的概率非常有信息性。该方法论能够深入理解QA的有效性，并可用于研究其他解算器。

本研究提出了一种无监督领域适应方法，用于自动生成乳腺超声成像中乳腺病变感兴趣区域（ROIs）的图像掩膜。该方法通过迭代改进生成私人未标记乳腺超声数据集的伪掩膜，提高了分类模型的解释性和诊断的效果和可靠性。

本研究探讨了将参数转换为实际机器可用变量对大规模问题中寻找最佳参数组合的关键性。通过机器学习将参数转换为二进制变量来解决二次无约束二进制优化问题。通过旅行商问题的实例，提出并评估了灰度标记方法，显示出更低的局部最小解百分比和更短的旅行距离。

SE-NeRF是一种自我进化神经辐射场框架，通过教师-学生框架将few-shot NeRF转化为学生模型训练，并使用可靠性估计方法提取射线级伪标签，提高了三维场景几何的准确性和强健性。该框架改进了渲染图像质量，并在多种环境中实现了最先进的性能。

通过引入余弦退火差分进化（CADE）方法，本论文尝试解决脉冲神经网络（SNNs）优化的挑战，通过调整差分进化（DE）的变异因子和交叉率来获得更好的收敛和准确性。使用基于迁移学习的初始化方法对 SNN 进行改进，进一步提高了 CADE 的性能。研究结果表明，F 和 CR 调整的调度器对于基于 DE 的 SNN 尤为重要。

使用 Skipper 和 Skipper-G 技术，我们提出了一种软件技术，可以通过跳过主导链并用两个读取结果替代其程序比特，提高 QA 的容量和保真度，使用 5761 比特的 QA 证明 Skipper 可以处理比跳过 11 条链的问题大 59％（平均 28％），此外，Skipper 在剪切五条链执行 32 次时可以提高 QA 的保真度高达 44％（平均 33％）。

本文提出了一种利用标准频率回归模型通过网络架构、超参数和时间序列验证性能数据来预测部分训练模型配置的最终性能的方法，并证明该方法在视觉分类和语言建模领域中是有效的。同时，我们提出了一种早期停止方法，可用于超参数优化和元模建模，加速了模型配置的优化过程，该方法在强化学习-based架构选择算法和基于贝叶斯思想的搜索方法中均可无缝集成。

本文探讨了混合迁移学习在混合神经网络中的应用，重点关注了经典网络与量子算法的结合。通过在IBM和Rigetti提供的量子计算机上进行测试，提供了图像识别和量子态分类等案例。

该研究提出了一种名为 CADS 的改进采样策略，通过添加高斯噪声来平衡多样性和条件对齐，增加扩散模型的生成多样性。实验结果表明，CADS 在各种条件生成任务中提高了扩散模型的多样性，并在类条件 ImageNet 生成任务中取得了新的最优 FID 值。

该研究分析了变分自编码器中的后验折叠问题，发现输入维度趋近无限大时会收敛为确定性过程，但当超参数β超过某一阈值时，后验折叠是不可避免的，背景噪声会导致过拟合。适当调整的KL渐近算法能加速收敛。