研究人员利用控制理论，在训练过程中去除AI模型中的冗余复杂度，降低计算成本，同时保持性能不变。

东北大学与未来大学函馆团队将培养的生物神经元嵌入机器学习框架，成功训练其完成监督时序模式学习，生成复杂时间序列信号，为神经科学与仿生计算开辟新方向。

研究团队通过在训练阶段直接引入公平性约束，利用多目标模糊遗传机器学习构建既重视准确性又兼顾公平性的人工智能模型，并在多项现实数据集上取得优于传统方法的表现。

卡尔斯鲁厄理工学院团队利用大模型与机器学习，从材料科学海量论文中自动构建概念图谱，并据此预测未来两到三年的研究热点方向。相关成果发表于《自然机器智能》。

野生动物走私正从线下市场加速转向电商平台等线上渠道。研究团队提出一套可扩展的数据抓取与筛选流程，在34天内检索逾1100万条广告，并通过自动化标注与分类器生成方法提升识别效率，为跨平台、跨地区监测提供数据基础。

斯蒂文斯理工学院团队结合机器学习与社交网络理论，基于 X（原 Twitter）数据，构建时序分析框架，追踪在线社区的形成、演化与分裂，并为识别错误信息与极化风险提供工具。

研究团队利用海量互联网视频训练世界模型，让机器人在行动前生成未来场景的短视频，从而在陌生环境中完成复杂物理任务。

巴斯克大学EHU研究团队开发了一种基于机器学习的简化模型，可在城市尺度上快速估算建筑供暖需求，并评估多种社区能源改造策略，为实现近零能耗社区提供决策支持。

沙迦大学团队构建了一套结合心理特质、生理信号与模拟驾驶表现的机器学习模型，可在驾驶员真正上路前预测其事故风险，为出租车和运输行业提供数据驱动的筛选与培训工具。

布法罗大学团队结合多种传感技术与人工智能，开发出一套可区分回收塑料与新塑料的方法，为验证“含XX%回收塑料”等标注提供快速、可靠的技术支撑，并为未来便携式检测设备奠定基础。

匹兹堡约翰斯顿大学研究团队结合实地录音、人工分类与机器学习，分析极度濒危黄颈亚马逊鹦鹉的“鸣唱二重唱”，在其发声序列中发现语法规则、搭配关系与较丰富的“词汇”类型。相关成果发表于《鸟类生物学杂志》。

研究团队提出一套面向数据稀缺与未知成分空间的人工智能框架，将实验与计算数据同文献中的跨学科专家判断进行证据融合，并以不确定性量化提升对低研究度合金的预测可靠性。