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。

本研究提出了一种新框架，将人机协作特征选择与双深度Q网络结合，解决高维空间中特征选择的适应性和可扩展性问题。该方法通过模拟人类反馈，动态精炼特征子集，显著提高了MNIST和FashionMNIST数据集的分类准确率和模型可解释性，适用于实时决策需求。

本文提出了一种新的路径规划算法Zonal RL-RRT，结合kd树分区和Q学习，旨在提高高维空间中的时间效率与成功率。该算法在森林状地图中实现了比基本采样方法快3倍的速度，并在多种环境中表现出比启发式方法优越1.5倍的性能，展示了其适应不同环境的潜力。

本研究介绍了神经算子，这是一种新型神经网络，能够在无限维函数空间中进行映射。研究证明了神经算子的广义逼近定理，并提出了高效的参数化方法，展示了其在偏微分方程求解中的优越性。同时，研究了运算符学习的收敛性，并提出了新的算子学习方法，展示了神经算子在高维空间中的应用潜力。

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。

本文研究了具有ReLU激活的神经网络的深度表达能力，探讨了其对连续函数的逼近能力。结果表明，宽度为$d+3$的网络可以以任意精度逼近$d$维空间的任意连续函数，并讨论了不同激活函数的影响及其在高维空间中的逼近能力，提出了逼近所需的最小宽度和深度的条件。

本文介绍了多种形状分析和重建方法，如varifolds、分支高斯过程和Grassmann流形，探讨了在高维空间中对3D对象的建模与变形，强调了这些技术在计算机视觉和医学图像分析中的应用前景。

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。