本研究提出了一种新的自监督正样本采样技术（SSPS），有效克服了传统说话人验证方法的局限性。SSPS显著提高了验证性能，SimCLR-SSPS的错误率降低了58%，与DINO-SSPS表现相当。

本研究提出了一种新方法——行为约束策略梯度与负样本增强（BCPG-NSA），旨在优化大语言模型的推理能力。通过挖掘负样本中的反思和纠错信息，实验结果表明该方法在数学和编程推理基准测试中优于现有技术，提高了样本效率，并展现出良好的鲁棒性和可扩展性。

本研究提出了一种基于距离的加权机制，以解决半监督深度学习中有限标记数据的问题。该方法通过关注与测试数据接近的关键训练样本，提升模型的泛化能力和鲁棒性，实验结果表明在多个数据集上显著提高了分类性能。

本研究提出了一种高效的连续时间强化学习（CTRL）算法，解决了其在一般函数逼近环境下的理论不足。通过乐观的置信集，首次提供样本复杂性保证，证明该算法在连续控制任务中能显著减少策略更新和运行次数。

本文提出了一种新颖的演员-评论者算法，有效解决了策略评估和优化中的样本复杂度问题，能够以较低的样本复杂度实现$ ext{ε}$-最优策略，尤其在离线数据中表现突出。

本研究提出了一种名为Cert-SSB的样本特定认证防御方法，旨在提高深度神经网络对后门攻击的防御能力。通过优化样本噪声幅度并结合多个平滑模型的预测，显著提升了防御效果和认证性能。

本研究提出了一种新样本选择方法，针对噪声标签下的图像分类，能够有效识别正确标记的困难样本。通过跟踪模型预测置信度的变化，提高了样本选择的精度和召回率，实验结果表明该方法显著提升了噪声标签学习的性能。

本研究提出了一种新方法，通过视觉上下文样本扩展和自我奖励对齐，解决多模态大型语言模型在理解长视频时的挑战。该方法结合不同关键帧组合，显著提高了模型在七个数据集上的表现和回答正确率。

本研究提出了一种基于影响函数的群体鲁棒样本重标定方法，旨在提高机器学习模型在子群体比例变化时的鲁棒性。该方法通过优化无群体标签数据的权重，提升模型性能，具有理论可靠性和实践高效性，优于传统方法。

本研究提出了一种新颖的鲁棒多视角学习方法（RML），通过样本级注意力的表示融合和模拟扰动的对齐，显著提升了多视角学习的效果。实验结果表明，RML在无监督聚类和噪声标签分类等任务中表现优异，具有广泛的应用潜力。

本研究提出了一种新的AdaSin损失函数，通过引入样本嵌入特征与真实类别中心之间的角度正弦，改进了人脸识别中的困难样本度量。结合双重自适应惩罚与课程学习，模型在训练后期更有效地关注困难样本，从而提取出更具判别力的人脸特征。实验证明，该方法的准确性优于现有技术。

本研究提出了一种名为ConFrag的新方法，旨在解决噪声标签的回归问题。通过将数据转化为不连贯片段对，ConFrag提高了样本选择的准确性，并在处理标签噪声时表现优异，超越了十四个基线方法，展现出强大的鲁棒性。

本研究提出了一种新的实例级重加权算法，通过动态调整样本权重，聚焦于信息量大的样本，解决大型语言模型预训练中的样本重视不均问题。实验证明该方法能加速收敛并提升性能。

本研究提出了一种名为“提升与跳过”的无引导扩散方法，旨在提高少数样本的生成能力。该方法通过对标准生成过程进行两个小改动，显著提升了生成效率，优于传统的引导方法。

本研究解决了KL正则化上下文强盗的样本复杂度问题，提出的算法实现了$ ilde{O}(rac{1}{ ext{ε}})$的样本复杂度，展示了算法的近似最优性，并扩展到上下文对抗强盗问题。

本研究提出了一种对抗估计方法，旨在提高深度强化学习在稀疏奖励环境中的样本效率，通过利用少量人类轨迹加速算法的收敛。

本研究提出FedBSS方法，针对联合学习中的数据异质性引起的客户端漂移问题，通过动态选择样本来缓解样本级异质性，从而提升模型训练的稳定性和性能。