浙大与上海AI Lab提出的邻近自回归建模（NAR）通过“下一个邻域预测”显著提升了视觉生成的效率和质量。NAR模型在多个任务中实现了13.8倍的吞吐量提升，减少了生成步骤，特别在高分辨率图像和视频生成中表现出优势。

本研究解决了传统知识图谱补全方法在计算需求和可扩展性方面的挑战，提出了KGC-ERC框架，整合了实体邻域和关系上下文的信息，从而增强了生成语言模型的推理能力。同时，研究引入了一种采样策略，以优化上下文信息的利用，实验结果表明KGC-ERC在预测性能和可扩展性上优于或匹配现有的最佳基线。

本研究解决了连续广义类别发现（C-GCD）中持续发现新类别同时保持旧类别性能的问题。提出了一种新颖的学习框架——邻域共性意识演化网络（NCENet），其通过邻域内的共性来引导不同类别实例间的表征学习差异。实验结果显示，NCENet在CIFAR100上的最后一次增量学习中，对旧类别和新类别的聚类准确率分别领先于第二名方法3.09%和6.32%。

本文提出了声学邻域嵌入的理论框架，解释了如何在固定维度的嵌入空间中表示可变宽度的音频或文本内容。通过量化词语间音素相似性，该框架为理解和应用这些嵌入提供了基础，实验结果表明其在音频和文本嵌入的最近邻搜索中具有高准确性，适用于多种问题。

本研究探讨了邻域支持有益局部搜索所需的特性，首次提出了邻域局部性和向最优解成本概率降低的条件，证明邻域搜索更有可能在单次搜索中找到改进解决方案。研究表明，局部盲下降在达到特定成本目标时，其期望步骤数优于盲搜索，可为局部搜索提供新的有效策略。

本研究解决了点击率预测中显著特征交互困难的问题，提出了一种名为邻域搜索的启发式特征选择算法（NeSHFS），以提高点击率预测的性能并降低维度和训练时间。通过在三个公开数据集上的实验验证，该方法显著提升了模型的有效性和高效性，为实时点击率预测提供了一种新的解决方案。

本研究解决了机器人仓储中订单工作站分配、物品存储分配和订单履行调度优化的问题。通过采用一种新的先学习后优化的方法，该论文利用机器学习预测目标改进，从而生成新的子问题，显著提高了机器人系统的效率，特别是在与亚马逊机器人合作中，展示了比现有技术更强的解决方案。

本文介绍了多种联邦学习算法，如FedLin、FedAlign和FedSAM，旨在解决数据异质性和通信挑战。这些算法通过优化本地训练和全局模型，提高学习效率和泛化能力，适用于医疗和金融等隐私敏感领域。FedMap通过稀疏化全局模型，显著降低通信开销，同时保持高性能。

本文研究了影响对抗样本传递性的因素，提出了方差降低攻击等新策略以增强传递性。通过多种实验验证了这些技术在不同模型和数据集上的有效性，显著提高了对抗攻击的成功率。

本文提出了一种基于协方差矩阵的图形表示方法，定义了适用于社交网络分类的相似度测量，具有高计算效率，支持大规模应用。研究了随机块模型中的谱聚类，证明其在社区提取中的一致性和可靠性，并提出结合多层随机块模型和变分贝叶斯算法的新颖聚类分析方法，应用于全球食品贸易网络分析。

该研究提出了一种数据驱动的空间填充曲线方法，旨在保持空间图形特征并支持多尺度数据，适用于二维和三维数据可视化。实验分析表明，高维网络的损失函数具有复杂特性。此外，提出了智能采样和基于希尔伯特曲线的跨维度蒸馏方法，以优化算法性能，并展示了高维环境中梯度下降的优化动力学。

基于网络的邻域回归框架通过运用全局社区级信息与实体之间的局部连接结构，提出一种有效的社区最小二乘优化方法从而揭示网络模块之间的调控强度，实现渐近推断。通过随机图论推导出所提估计器的非渐近估计误差界，实现了精确的极小极大最优性。与典型的线性回归中通常的根 N 一致性不同，我们的模型在节点数 n...

本文探讨了深度学习在视觉特征学习和分类中的应用，介绍了深度组件分析和递归交替方向神经网络等模型和算法。研究表明，深度神经网络的特征表示显著影响分类器性能，并提出了新颖的深度学习架构和异常分量分析方法，在多个基准数据集上表现优越。

通过引入点邻域学习、增强训练监督及扩充数据多样性，我们提出了一种弱半监督方法，名为 Point-Neighborhood Learning (PNL) 框架，用于医学图像中的点注释，显著提高了性能并不改变分割网络结构。

通过开发一种新的基于约束的方法，该方法用于估计多个用户指定目标节点周围的局部结构，从而在邻域之间实现结构学习协调，进而促进无需学习整个有向无环图结构的因果发现。实验结果表明，我们的算法在学习邻域结构时具有更高的准确性，且计算成本较低于传统方法。

在这项工作中，我们介绍了一种自动选择合适尺度的协议，该尺度能够使内在维度具有意义且有用，并且通过对人工和真实数据集的基准测试来证明了该程序的实用性和鲁棒性。

大型语言模型在理解和生成文本方面表现出非凡能力，但训练过程中存在计算需求限制。近年来，对于即时修改模型的高效轻量级方法引起了关注。本文提供了对知识编辑方法的回顾，并引入了一个新的基准KnowEdit进行评估。同时，对知识定位进行了分析，讨论了知识编辑的潜在应用和意义。

近期，分布式深度学习在遥感应用中引起了更多的关注，其中梯度稀疏化被验证为一种有效压缩梯度的方法，以减少通信成本并加快训练速度。通过引入梯度邻域来增强梯度之间的相互依赖，并使用邻域统计指标（NSI）来定义梯度的重要性，我们提出了一种动态梯度压缩方案（RS-DGC）用于遥感图像解释，该方法在智能解释遥感图像方面优于现有方法。

本文研究了匿名多智能体路径规划问题，提出了一种搜索算法，能够在30秒内解决所有公开可用的MAPF实例，并表现出卓越的性能优势。

该文介绍了一种用于多任务在线学习的分散算法MT-CO2OL，可以通过网络与邻居交换信息。该算法的遗憾度不会比没有信息共享的情况更糟，可以实现差分隐私。提供了对该理论的实验支持。