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。

本文探讨了自动驾驶中的多智能体轨迹预测，提出了ALAN框架和DAC方法，显著提升了预测性能。研究引入自我监督学习和新基准方法，展示了在动态预测中的有效性和鲁棒性，尤其在处理分布外场景时表现优异。

本文提出了一系列新算法解决最优输运问题，包括APDAMD、Semi-Relaxed Sinkhorn和Sinkhorn-Newton-Sparse，展示了它们在效率和收敛性上的优势。同时，研究探讨了不平衡输运和部分最优输运问题的应用，提供了理论保证和实用算法，推动了相关领域的发展。

本文介绍了一种基于稀疏高斯过程回归的变分推断方法，解决了高斯过程模型在大规模数据集下的可扩展性问题。实验结果表明，该方法在非线性动态系统和复杂数据集中的表现优越，尤其在潜变量建模和数据填充方面效果显著。

本文探讨了量子机器学习在计算生物学和优化问题中的应用，介绍了量子退火和量子迁移学习等方法，显示出相较于经典算法的优势。研究表明，量子技术在医学图像分类和组合优化问题上具有显著的性能提升。

本研究提出了一种无监督领域适应方法，自动生成乳腺超声成像中乳腺病变的图像掩膜。该方法通过半监督学习迭代改进伪掩膜，提升分类精度与ROI完整性，简化注释过程，增强乳腺病变的分类和定位效果。

本文探讨了测试时间增强（TTA）在解决组合优化问题中的有效性，特别是旅行推销员问题。研究表明，该方法能获得比现有模型更短的解决方案，且随着增强尺寸的增加，接近精确解的概率提高。此外，文章还讨论了量子退火技术在图像分类及其他组合优化问题中的应用，显示出其在准确性和计算时间上的优势。

本文介绍了多种改进神经辐射场（NeRF）的方法，如SGCNeRF、SE-NeRF和Sparse Neural Radiance Grid，旨在提升少样本视图合成性能和实时渲染能力。这些方法通过正则化技术、深度监督训练和自我进化框架，显著提高了渲染图像质量和几何一致性，并在不同数据集上表现优越。

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。