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。

本研究提出了一种新型的适应性元求解器Balans，解决了混合整数规划中传统学习方法的离线训练问题。Balans具备在线学习能力，实验结果显示其在优化实例中的性能显著优于默认MIP求解器和现有的大邻域搜索方法。

本研究提出了单视图图对比学习框架SIGNA，克服了现有方法对跨视图对比的依赖。通过软邻域意识生成结构相关的嵌入对，显著提升了学习效果。实验结果表明，SIGNA在节点级任务中的表现优于现有方法，推断速度提升109到331倍。

本研究提出了一种新模型，利用Q学习自适应大邻域搜索算法，解决卡车分配与调度中的码头数量及位置问题，显著降低了平均延误和周转时间。

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%。

本文提出了一个理论框架，解释声学邻域嵌入并量化词语音素相似性。实验结果表明，该框架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。

FedMap是一种通过协作学习稀疏全局模型的新方法，提高了联邦学习系统的通信效率，适用于医疗和金融领域。FedMap通过迭代的振幅剪枝方法训练全局模型，减少通信开销，实现稳定的性能表现。在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在IID和非IID环境下的性能。相较于基线方法，FedMap能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现80%的剪枝。

本研究提出了NGI-Attack方法，解决了深度神经网络在黑箱攻击场景中对抗样本转移性差的问题。实验结果显示，该方法在多种防御模型上的攻击成功率达到了95.8%。

该研究提出了一种用于聚合不同信息源的多个聚类的原始方法，通过多层随机块模型（SBM）的混合将具有相似信息的共成员矩阵分组为组件，并将观测分割为不同的聚类。该方法在合成数据、共识聚类和基于张量的大规模复杂网络社区检测算法上进行了比较，并应用于全球食品贸易网络的分析。

本文研究了非凸和高维环境中梯度下降的优化动力学，以相位恢复问题为例。通过分析局部曲率的变化，发现在下降的第一个阶段中，Hessian矩阵显示出朝向好的极小值的下降方向，然后被困在坏的极小值中。成功的相位恢复通过梯度下降在达到坏的极小值之前朝向好的极小值实现。这种机制解释了为什么在高维极限对应的算法过渡之前就能成功恢复。分析揭示了这种新机制在有限但非常大的维度下促进梯度下降动力学，并强调了初始化谱特性对于在复杂高维地形中的优化的重要性。

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...

本研究使用PCA研究了ResNet-18在CIFAR-10上的学习表示对分类器性能的影响。发现20%的中间特征空间方差即可实现高精度分类，前100个主成分决定了k-NN和NCC分类器的性能。提供了估计DNN中神经崩溃的方法。

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。