何恺明团队的新论文提出扩散模型应聚焦于去噪，直接预测干净图像而非噪声。新架构JiT（Just image Transformers）设计简化，避免复杂组件，实验表明其在高维空间中表现优越，生成质量高。

数学家Boaz Klartag成功运用被遗弃的老方法破解高维空间球体堆积问题，将堆积效率提升至原来的d倍。这一成果为无线通信领域提供了新思路，可能改善信号排列和噪声干扰问题。

本研究分析了强化学习算法在高维空间中应用贝尔曼方程的局限性，指出信息忽视导致的低效问题，并探讨了其他学习方法的效率问题。

本研究提出了一种双重变换方法，克服了传统图像检索在高维空间中的性能限制。通过端到端训练，结果表明在异构空间中的匹配显著提高了图像检索的准确性，尤其在复杂数据集上效果显著。

Zonal RL-RRT算法结合kd树分区与Q学习，解决了高维空间路径规划中的时间效率与成功率平衡问题。在森林状地图中，该算法的路径规划效率是基本采样方法的3倍，且在多种环境中优于基于启发式方法1.5倍。

高维空间中的运动规划是机器人领域的难题。传统方法容易陷入局部最小值。本文提出了一种通过神经网络学习优化势能的新方法，解决了这一问题。实验表明，该方法优于传统方法，并适用于多种运动约束。

本文介绍了一种退火流（AF）模型，用于解决高维多模态分布采样问题。AF通过连续标准化流有效探索高维空间，确保样本和维度的线性复杂度。研究显示，AF在复杂分布和实际数据集上表现优异，能更准确估计概率分布的归一化常数和期望值。

高维空间中的运动规划一直是机器人领域的难题。我们提出了一种新的基于学习势能的方法，通过训练神经网络来学习优化势能模型，有效避免了局部最小值问题。

本文介绍了一种名为Sketchy Moment Matching（SkMM）的可扩展数据选择方案。SkMM使用梯度草图控制偏差，通过矩匹配减少方差，能够在高维空间中选择具有信息量的低维子空间。通过理论证明和合成实验，展示了SkMM在实际视觉任务中的快速和可靠性。

本文介绍了一种新的神经网络结构Ki-Net，通过数据在高维空间上的投影，实现了在分割模糊、嘈杂边界下的解剖标志和小型功能区域的显著性改善，并表现出更快的收敛速度和优异的性能。与标准U-Net相比，在早产婴儿的超声脑解剖分割任务中，提高了约4%的准确率和Jaccard指数，优于最近的一些方法2%。

该文章介绍了一种基于深度生成网络的非凸优化算法元启发式方法，能够在连续、超高维度的空间中进行有效搜索。通过网络训练和局部梯度种群的演化，该算法能够处理高维空间的维度困境，并在一系列标准优化问题中表现出更好的性能。文章还讨论了深度网络超参数化、损失函数设计和网络架构选择的作用，为解决非凸优化问题的算法提供了基础。

介绍了无监督语义分割框架EQUSS，结合高维空间进行聚类和产品量化，取得了最先进的结果。分析了USS特征的熵。

研究发现，几乎所有已知的激活函数类型都可以用小型三层前馈神经网络在高维空间上表达，但无法用任何二层网络近似到特定常数精度以上，除非它的宽度在指数级别。深度比宽度对于标准前馈神经网络的提升价值可以是指数级别。该结果需要更少的假设，并且证明技巧和构造方法非常不同。