本研究提出了一种修正拉格朗日方法（RegLag），旨在优化现代霍普菲尔德网络在外部分布样本检测中的不足，通过引入外部分布样本的吸引子，显著提高了识别准确性。

本研究比较了休眠多臂赌博机中的拉格朗日指数策略（LIP）与惠特尔指数策略（WIP）的性能。结果表明，LIP在WIP表现不佳时仍能保持良好效果，并显著减少内存需求。此外，研究分析了重启模型的拉格朗日指数，并提供了均匀赌博机的渐近最优性的新证明。

本研究提出了一种新的几何网络架构，利用黎曼视角学习降阶拉格朗日动力学，以解决高维系统中传统非线性动态模型的数据和计算复杂性问题。该方法提高了数据效率，能够准确预测刚性和变形系统的高维动态。

本文介绍了一种使用神经网络来参数化任意Lagrangian的方法，称为Lagrangian神经网络（LNNs）。该方法适用于标准动量未知或难以计算的情况，并且能够产生遵守能量守恒条件的模型。通过测试双摆和相对论粒子，证明了该方法在建模时不会损耗能量，并可应用于图形、连续系统和一维波动方程。

LODO是一种新的机器学习优化器，将学习优化技术与拟牛顿方法相结合，用于学习对称矩阵向量积的神经表示。该方法不需要元训练，并在噪声中表现良好。实验结果显示，LODO在训练深度神经网络方面具有竞争力。

该研究介绍了双拉格朗日学习 (DLL) 方法，结合锥对偶理论和机器学习模型的表示能力。DLL 利用锥对偶性提供对偶可行解，为参数优化问题提供有效的拉格朗日对偶界限。论文介绍了可微锥投影层、对偶完成过程和自监督学习框架。DLL 在线性和非线性参数优化问题上表现出色，与最优解相差不超过0.5%。