利用深度学习算法预测桥墩周围的冲刷深度变化，研究了不同模型的性能，并探索了超参数调优和模型优化的创新随机搜索启发式算法。揭示了深度学习在桥梁实时冲刷预测和预警中的潜力。

通过基于分数的逆扩散算法生成的高质量样本证明了深度神经网络（DNN）可以学习高维密度。降噪DNN在非重叠的数据集子集上训练，学习到相同的评分函数和密度，只需少量训练图像。经过训练的去噪器生成几何自适应谐波表示，表明在训练于低维流形等图像类别的情况下也会生成这种谐波表示。网络在已知最优基础为几何自适应谐波的常规图像类别上训练时，去噪性能接近最优。

该研究提出了一种基于动态图的无监督生成式异常检测方法（GADY），用于检测行为明显偏离图和时间信息内观察到的规范的实体。实验证明，GADY在三个现实世界数据集上明显优于先前的方法。

本文介绍了GIAug，一种用于DNN架构扩增的方法，通过图同构机制生成多元化注释架构，适用于各种预测模型。实验证明，GIAug能显著提高同行预测器性能，并在ImageNet上节省计算成本。

本综述对图形反事实学习的现有方法进行分类和审查，并提出未来研究方向和资源清单。同时提供开放源代码实现、公共数据集和评估度量标准的列表。目的是为构建图形反事实学习类别和资源的统一理解提供服务，并维护知识库并不断更新。

符号回归是一个广泛研究的领域，旨在从数据中推断出符号表达式。本研究介绍了一种名为Nested SINDy的增强方法，通过引入嵌套结构来增加SINDy方法的表达能力。结果突出了Nested SINDy在符号回归中的潜力，超越了传统的SINDy方法。然而，优化过程中存在挑战，并提出了未来的研究方向。该研究证明了Nested SINDy有效地发现了动态系统的符号表示，为通过数据驱动方法理解复杂系统提供了新的机会。

本文介绍了利用低功耗嵌入式硬件的超高维可重构分析系统HyDRATE。该系统利用无MAC深度神经网络和超维计算加速器在边缘执行实时重新配置。通过算法、训练模型和特征提取实现超高纬度基于逻辑的分类器，并展示了性能随超维数增加而提高的情况。介绍了低功耗FPGA硬件和嵌入式软件系统，以及硬件加速器和系统延迟、功耗噪声稳健性等方面的讨论。通过与模拟系统性能比较，展示了在相同数据集上的重新配置。使用边缘的少量学习新课程，使用无梯度下降反向传播仅通过重新训练前馈超高维分类器实现该系统的重构性。

传统的预训练和微调流程中的遗忘现象可能对下游任务产生不利影响。提出了一种新颖的延迟瓶颈预训练（DBP）框架，通过抑制压缩操作并延迟至微调阶段来保持潜在表示与训练数据之间的互信息，以确保压缩能够由有标签的微调数据和下游任务进行引导。

通过研究深度神经网络的层次结构，发现随着深度增加，数据集的拓扑结构变得简单，Betti数最小。拓扑复杂度的衰减速率可以量化架构选择对泛化能力的影响。通过考虑预训练模型的排序任务，证明了网络的表达能力与泛化能力之间的联系。

该研究提出了评估个体需求函数单调性的新指标，设计了带有六个梯度正则化器的约束优化框架，以提高深度神经网络的行为规律性。研究结果表明，梯度正则化器能显著提高深度神经网络的行为规律性，尤其在跨领域的泛化中更加有效。未来的研究可以将行为规律性与对数似然一起作为评估交通需求模型的指标，并探索其他方法来进一步提高复杂机器学习模型的行为规律性。