本研究提出了一种结合卷积神经网络与可解释增强机器的新模型，旨在解决深度学习在阿尔茨海默病诊断中的可解释性不足问题，并提供可解释的特征重要性度量。

本研究提出了一种非自治动态系统的方法，解决了递归神经网络在序列数据学习中的高维状态空间模型维度问题，得出N维可逆动态系统的分形维度上限为N，具有重要意义。

本研究解决了利用可解释性方法提升卷积神经网络（CNN）模型性能的不足。我们提出一种新的方法，通过反事实推理识别决策过程中关键的滤波器，并进行模型重训练，以鼓励相关滤波器的激活并抑制无关滤波器的激活，从而提高图像分类的准确性。实验结果表明，该方法在公开数据集上提高了模型性能达1-2%。

本研究解决了设计稀疏神经网络中找到有效稀疏子网络（即赢家票据）的问题，提供了一种新的方法以凹正则化来促进网络拓扑的稀疏性。通过理论分析和广泛的数值测试，研究表明该方法在不同数据集和架构上能够提高现有算法的性能。

本研究解决了在真实环境中实现高效和可扩展机器人控制时，对稳健和具有通用性的世界模型学习的需求。提出了一种新颖的双自回归机制和自监督训练框架，能够准确捕捉复杂的部分可观测和随机动态，并在各种机器人任务之间实现适应性。通过大量实验，证明了该方法在预测准确性、噪声鲁棒性和跨任务泛化方面优于现有技术，成功实现了机器人系统的零-shot迁移。

该研究解决了传统流行病学方法在数据稀缺和噪声情况下的局限性，提出了一种名为SEANN的新型神经网络模型。该模型通过整合 pooled effect sizes (PES) 的领域特定知识来提高预测性能的泛化能力及提取关系的科学合理性，展示了其在流行病学研究中的潜在应用价值。

本研究针对交通事故频率建模中因零观察值过多导致的预测不准确问题，提出了一种混合VAE-扩散神经网络的新方法，以减少零观察值并处理多类型事故数据的复杂性。研究表明，该模型在生成合成数据质量和预测性能上优于传统统计模型，能够有效提升交通事故频率建模的准确性，进而改善交通安全政策的制定。

本研究解决了3D导体体的组合场积分方程（CFIEs）求解的效率问题。论文提出了一种基于图神经网络的快速求解器GraphSolver，以RWG基函数为基础构建图形表示，能够有效预测表面电流密度的各个分量。实验结果表明，该方法对不同几何复杂度的3D导体体具有良好的求解能力。

图像分类是机器学习的基本任务，旨在将图像进行分类。传统方法依赖局部特征，而深度学习通过卷积神经网络（CNN）自动提取特征。本文探讨了在“吉娃娃与松饼”数据集上进行二分类的挑战，比较了多层神经网络（MLNN）和CNN的性能。经过数据清理和预处理，CNN的表现优于MLNN，数据增强进一步提升了模型效果。未来将研究更复杂的架构和更大数据集。

本研究提出了一种BiDepth多模态神经网络（BDMNN），有效整合动态系统中的时空信息，分别将城市交通和降雨预测的均方误差降低12%和提高15%。