本研究提出L2D-CD方法，优化不完全可靠的专家知识与数据驱动因果发现的结合，优于传统方法，并识别专家的强弱领域，为未来研究奠定基础。

本研究提出符号Q网络（Sym-Q）框架，旨在解决符号回归中整合专家知识和交互的难题。通过离线强化学习，Sym-Q实现了高效的训练与推理，并允许专家动态参与方程发现，实验结果表明其性能优于现有方法。

本文探讨了形式验证中对专家知识的需求，并提出了Rango工具，该工具能够自动识别相关前提和相似证明，从而优化合成过程。Rango显著提高了证明的有效性，在多个开源项目中成功合成了32.0%的定理，较之前工具提升了29%。

本文探讨了预训练视觉语言模型在医学图像中的知识传递，强调医学提示语设计的重要性。使用共享表达属性提示可提升模型的泛化能力和新对象识别。三种自动生成医学提示的方法有效注入专家知识，实验结果表明，精心设计的提示显著提高了零样本性能，微调模型优于监督模型。

该文介绍了一种利用专家知识的农作物分类方法，将三级标签层次结构编码至卷积循环神经网络中，提高了细粒度分类的性能。实验表明，该模型在新的公共数据集上的分类性能至少提高了9.9个百分点。