校準度量方法的真實性探討
現有的校準度量方法普遍缺乏真實性，導致預測者可能為了降低誤差而做出不實預測。本文提出了一種新的校準度量方法，稱為子抽樣平滑校準誤差（SSCE），它不僅具有真實性，同時也滿足完整性和合理性。
圖卷積網路作為數值冰蓋建模的快速統計模擬器
圖卷積網路 (GCN) 可以作為一種高效且準確的統計模擬器，用於基於有限元素的數值冰蓋建模，特別適用於模擬冰流速度較快的區域。
基於 Wasserstein-Fisher-Rao 梯度流的多目標優化：一種基於交互粒子的方法
本文提出了一種新穎的交互粒子方法，用於解決多目標優化問題，該方法基於 Wasserstein-Fisher-Rao 梯度流，並結合了過阻尼朗之萬動力學和生死動力學，能夠有效地找到複雜帕累托前沿的解。
基於置信度的自我監督主動學習和標籤校正採集模型
本文提出了一種名為 CAMEL 的新型主動學習框架，旨在解決序列多輸出任務中標註成本高昂的問題，該框架利用置信度評估模型選擇性地標記數據，並結合自我監督和標籤校正機制來提高模型性能和數據集質量。
探討聯邦學習中對抗性遷移性的安全性風險
聯邦學習系統雖然在保護隱私方面具有優勢，但仍然容易受到隱蔽的對抗性攻擊，特別是惡意客戶端可以偽裝成良性參與者，利用其在訓練過程中獲得的數據知識，在推理階段發起高效的遷移性攻擊。
基於決策的模型強化學習：實現獎勵轉移的穩健方法
本文提出了一種名為「穩健決策導向模型強化學習」（RDF-MBRL）的新方法，旨在解決模型強化學習在面對不同獎勵函數時表現不佳的問題。RDF-MBRL 通過利用決策導向模型的非唯一性，學習一個在不同獎勵偏好下都能表現良好的簡單模型，從而在學習階段和部署階段都能保持高回報。
基於指數準則的風險敏感型強化學習
本文探討如何利用指數準則設計出對環境和模型擾動具有魯棒性的強化學習策略。
變分最近鄰高斯過程
本文提出了一種新的變分高斯過程近似方法，稱為變分最近鄰高斯過程 (VNNGP)，它利用稀疏精度矩陣來提高可擴展性和預測準確性，特別是在處理具有低長度尺度或高維度的數據集時。
對多元高斯分佈進行條件推斷的無差別破壞
本研究探討針對基於多元高斯分佈的機器學習模型的對抗式攻擊，提出白箱和灰箱攻擊方法，並以房地產評估、利率預測和信號處理為例，證明了攻擊的有效性。
基於對數奈曼遺憾的平均治療效果的自適應估計方法研究
本文提出了一種名為「限幅二階矩追蹤」（ClipSMT）的新演算法，用於自適應估計平均治療效果（ATE），並提供了有限樣本下奈曼遺憾的理論分析，證明其在收斂速度和對問題參數的依賴性方面優於現有方法。
