自适应神经计算
自适应神经计算指根据输入动态调整神经网络计算量的技术。相关研究将此法应用于流式语音识别系统，通过非因果Transformer实现前瞻性自适应处理。
多臂赌博机问题
针对强化学习中的探索-利用困境，研究提出了延迟适配策略优化方法改进遗憾界，在线性上下文组合动作场景设计探索激励机帛，并开发了基于扩散生成先验的Thompson采样算法。
差分隐私保护
提出大幅降低大模型差分隐私训练成本的方法，通过局部敏感量化实现快速核密度估计，在保持统计隐私保证的前提下提升计算效率。
分布偏移应对
构建RLSbench数据集解决实际数据分布与训练分布不一致的问题，允许标签边缘分布任意偏移，类条件分布遵循自然偏移模式。
集成方法理论
为堆叠泛化集成提供新的理论保证，特别针对时间序列预测场景证明学习策略的有效性。
可解释AI技术
通过代表性样本选择方法解释正则化高维模型，识别对模型输出影响最大的训练样本。
极端多标签分类
利用标签元数据和实例关联信号等侧信息，通过预测实例邻域聚合（PINA）方法提升超大规模标签空间的分类性能。
图神经网络
研究图神经网络初始化技术，提出超图能量函数转化为超图神经网络的新方法，突破传统二元边限制。
超参数优化
采用保形分位数回归替代高斯过程进行超参数优化中的函数建模，提升优化效率。
统计检验与模型选择
提出序列核化独立性检验方法自适应调整样本量，开发训练数据稀缺场景下的合成数据验证技术。
物理约束建模
在偏微分方程求解中引入物理约束（如守恒定律），确保机器学习预测结果符合物理规律。
表格数据处理
通过跨表预训练（XTab）提升表格Transformer模型的泛化能力，扩展Transformer在结构化数据中的应用边界。