中国联通研究团队在AAAI 2026上发布了HiMo-CLIP模型，解决了长文本图像检索中的语义层级和单调性问题。该模型通过动态特征提取和对齐机制，显著提高了长短文本的检索精度，性能优于现有模型。

RSTSR是一个高维张量处理框架，类似于Python的NumPy/SciPy，旨在支持科学计算。它高效、友好且可扩展，支持多种后端和并行计算。目前已实现基本功能，未来计划支持GPU，欢迎社区参与和反馈。

本研究提出了一种正交因子基础的双聚类算法（BCBOF），旨在解决高维数据的稀疏性和局部结构问题。该算法利用模糊规则进行股票价格趋势预测，实验结果表明其交易策略能够提升投资者的回报。

本研究提出了自适应动态属性和规则（ADAR）框架，以应对高维数据在神经模糊推理系统中的挑战。该框架通过自适应权重整合属性和规则，结合自动生长和修剪策略，简化模糊模型，提升性能和可解释性。实验结果表明，ADAR模型在多个数据集上表现优越，具有广泛的应用潜力。

本研究提出了一种新颖的深度信念马尔可夫模型（DBMM），用于解决部分可观马尔可夫决策过程中的推理问题。DBMM通过变分推断高效推断信念变量，适用于高维和非线性关系，具有广泛的应用潜力。

本研究解决了传统故障诊断方法在处理高维和噪声数据时的不足。提出了一种稳健的无监督故障诊断方法，通过特殊的降维技术和图结构的非线性信息学习来增强特征，并引入$l_{2,1}$范数和典型性约束以优化模型，显著提高了故障诊断的准确性和鲁棒性。实验结果表明该方法在面对异常值和噪声时仍能保持高诊断准确率，具有重要的应用价值。

本研究提出了一种新框架——力匹配（ForM），通过引入洛伦兹因子和速度约束，增强了生成建模的稳定性和控制性。实验结果表明，该框架在多个数据集上表现优异，具有高维生成建模的应用潜力。

本研究提出了一种新型扩散增强粒子过滤框架，解决了粒子过滤中因初始先验分布限制导致的估计不准确问题，显著提高了高维和非凸场景下的成功率与估计精度。

本研究提出了一种新的PDE约束深度核学习框架（PDE-DKL），有效解决高维偏微分方程中的数据稀缺问题。该框架结合深度学习与高斯过程，确保在有限数据下仍能准确解算。实验结果表明其在高维PDE应用中具有高精度和低数据需求。

本研究针对传统频繁模式挖掘算法在高维和稀疏数据环境下的性能瓶颈，提出了一种基于支持向量机（SVM）的频繁模式数据挖掘算法。通过将频繁模式挖掘转换为分类问题，该算法在模式提取的准确性和鲁棒性上有显著提升，并且在实际应用中提供了对复杂模式挖掘任务的有效解决方案。

本研究针对高维滑动拼图中的颜色匹配问题，提出了一种综合计算方法，包括精确算法与近似最优搜索技术，旨在探索如何最小化将环移动到预定义目标顶点所需的步骤。研究发现，尽管A*搜索算法在维度增加时表现不佳，但进化算法和强化学习方法仍能提供令人满意的解决方案，尤其是在降低计算时间方面表现优越。

本文解决了半监督学习中高维高斯混合模型（GMM）的性质尚未得到充分理解的研究空白。采用近似消息传递和状态演化方法，比较了贝叶斯估计与l2-正则化最大似然估计（RMLE），结果发现通过适当的正则化，RMLE能够在估计和预测方面实现接近最优的性能，尤其在未标记数据丰富的情况下。这些发现表明，l2正则化项在半监督学习中起到了有效的估计和预测作用。

特斯联推出通用智能体Hali，基于“超级人工智能即服务”（IaaS）模式，具备类人思考、长记忆、高维感知和多智能体协作能力，能够实时感知物理世界变化，提供个性化建议，提升人机交互体验，推动智能时代发展。

本研究提出了一种新方法，通过高维状态表示和高效深度强化学习优化交通信号控制，显著提高了性能，平均等待时间减少了17.9%。同时强调了车与基础设施通信的重要性，并探讨了通过剪枝提高计算效率。

本研究提出了一种新的样本复杂度，显著降低了在近似差分隐私下学习高斯混合模型的样本需求，尤其在高维情况下。

本研究探讨了高维情况下VENDI评分的统计收敛性，提出了$t$-截断VENDI统计量，并证明了现有方法在适度样本下的收敛性，为生成模型的多样性评估提供了新见解。

本研究提出了一种新的树-瓦瑟斯坦距离（TWD），有效解决高维数据样本间的距离计算问题，适用于具有潜在特征层次的数据。该方法通过扩散几何在文档-词汇和单细胞RNA测序数据集上表现优异。

本研究提出了一种新的信任区域优化方法，克服了Stein变分推理在高维和非凸目标分布中的局限性。该方法利用条件独立性和二阶信息，显著提高了收敛速度和样本准确性，实验结果表明其优于传统技术。

本研究提出了一种新的变分贝叶斯因果推断框架，解决了传统方法在高维情况下反事实处理能力不足的问题。该框架无需反事实样本即可进行监督，并通过解耦潜在变量识别因果效应。实验结果显示，该框架在多个基准测试中表现优于现有模型。