本研究提出了一种新方法Adaptive Linearization（AdaLin），旨在解决深度神经网络在非平稳环境中学习能力下降的问题。AdaLin通过动态调整激活函数，显著提升了持续学习能力。

本研究提出了一种积极自适应AI方法，解决了医疗场景中非平稳环境下的数据集转变问题。该方法通过建模AI参数的时间轨迹，显著提升了性能，为动态环境下的自适应AI研究奠定了基础。

本研究提出了一种新方法——切换非平稳马尔可夫决策过程（SNS-MDP），旨在解决非平稳环境中强化学习算法无法收敛的问题。研究表明，在固定策略下，SNS-MDP的价值函数可以通过马尔可夫链的统计特性得到解析解，且时间差分学习方法在非平稳情况下仍能收敛，具有重要的理论和实际应用意义。

本研究提出TAFAS框架，解决了非平稳环境下预训练源预测器在时间序列预测中的可靠性问题。实验结果表明，该方法在长时间预测中表现优异，特别适用于分布变化显著的场景。

本文提出了一种深度傅里叶特征方法，以解决深度神经网络在非平稳环境中的学习能力下降问题。研究表明，该方法相比传统的ReLU激活函数，显著提升了持续学习的表现，适用于多种场景。

本文提出了一种基于辅助变量增广数据的非线性独立成分分析（ICA）框架，探讨了因果表示学习的可识别性。研究表明，通过学习多个视图，可以有效识别潜在因果变量及其关系，并提出了新的估计方法，以提升在非平稳环境下的因果影响识别能力。

本文介绍了一种名为DORA的新方法，旨在提升强化学习在非平稳环境中的适应能力。该方法通过信息瓶颈原理，在动力学编码和性能上优于现有模型。同时，研究探讨了离线强化学习的挑战，并提出基于对比预测编码的策略，展示了在多种控制任务中的优越表现。

本文综述在线凸优化（OCO）的研究进展，涵盖分散式D-OCO算法（降低遗憾界并证明下界）、随机约束算法在数据中心调度中的应用、基于历史损失建模的记忆容量量化、相对Lipschitz与强凸性研究、拟阵约束下的子模最大化、约束OCO向凸-凹优化的转化、对抗时变约束算法、任意延迟非平稳OCO、连续次模函数的Frank-Wolfe变体，以及带切换成本的有限信息OCO竞争比分析。