SelfFed：針對物聯網醫療數據異質性和標籤稀缺性的自我監督聯邦學習方法
SelfFed 框架利用自我監督學習和聯邦學習來解決物聯網醫療圖像中數據異質性和標籤稀缺性的問題，並通過實驗證明其在有限標籤數據和非獨立同分布數據集上的有效性。
在平均場博弈中，針對去中心化代理的網路化通訊
在多代理強化學習的平均場博弈框架中，引入網路化通訊可以顯著提升去中心化代理的學習效率和系統穩健性，尤其是在沒有預言機且代理只能從單次非片段式經驗系統運行中學習的情況下。
CAMIL：一種用於全切片影像癌症檢測和分型的上下文感知多實例學習方法
CAMIL 是一種新穎的上下文感知多實例學習架構，通過整合鄰域約束注意力機制，有效利用組織病理學圖像中腫瘤和鄰近細胞的上下文信息，提高了癌症檢測和分型的準確性。
人工重播：一種利用歷史數據改進多臂老虎機算法的元算法
本文提出了一種稱為「人工重播」的元算法，可以有效利用歷史數據來提升多臂老虎機算法的性能，並減少計算和存儲成本。
針對任意策略的對抗性老虎機問題
本文提出兩種基於主基架構和線上鏡像下降方法的演算法，用於解決在未知切換次數 S 的情況下，針對任意策略的對抗性老虎機問題，並分析其性能。
在雜訊特徵下的情境線性賭博機：邁向貝葉斯預測器
本文探討了在具有雜訊和缺失值的特徵下，情境線性賭博機問題的貝葉斯預測器策略，並提出了一種演算法，在arm數量較多的情況下，可以達到 ˜O(d√T) 的遺憾界限。
特徵決定命運：高維度迴歸中遷移學習的理論
預訓練模型的特徵空間，而非僅僅是數據集的相似性，才是決定遷移學習成敗的關鍵因素。
解構分子系統中的等變表示法：探討未充分利用的特徵空間和潛在的效能提升
等變模型，特別是那些基於張量積和球諧函數的模型，在分子系統的模擬和預測方面展現了強大的能力。然而，本研究發現，這些模型在訓練過程中可能會忽略某些不可約表示，特別是那些與向量和張量量相關的表示，這可能導致模型效能不佳。
基於正交耦合動力學的最優傳輸問題研究
本文提出了一種基於正交耦合動力學 (OCD) 的新型框架來解決 Monge-Kantorovich 問題，並探討了其在計算最優傳輸映射和 Wasserstein 距離方面的應用。
變分不等式方法應用於多代理強化學習：效能與穩定性提升
將變分不等式 (VI) 優化方法整合到多代理強化學習 (MARL) 演算法中，可以顯著提高效能和訓練穩定性。
