本研究比较了人类与人工智能在二元分类任务中的表现，特别是在贝叶斯决策规则下的能力。结果表明，人类虽然整体符合贝叶斯规则，但存在显著的决策偏见，而经过多次更新的ChatGPT在贝叶斯分类性能上表现更优。

本研究探讨了二元分类评估的不足，提出从结果主义角度评估概率预测的有效性，并提出了一种新评估框架，推广Brier分数的使用，以解决临床评分规则的有效性问题。

本研究提出了二元分类社交网络数据集（BiSND），旨在解决现有数据集的不足。验证结果显示，BiSND在分类任务中的F1-score为67.66至70.15，显示出改进潜力。

文章介绍了逻辑回归用于二元分类的问题，通过Sigmoid函数将变量映射到0到1之间。提到使用并列网格和小提琴图进行数据分析，并通过Scikit-learn构建模型，使用混淆矩阵和ROC曲线评估性能。

本文提出了一种基于二元分类的简单替代模型来解决视觉问答中的问题。作者发现现有的视觉问答系统性能的瓶颈可能在于对问题及答案中基础概念的不足认知。

HypergraphESN是一种高效处理超图结构数据的算法，是GraphESN的推广。在二元分类任务中表现出与GraphESN相当或更好的准确性，并且随着网络中更多的高阶交互作用的发现，准确性会增加。文章还导出了算法的收敛条件，并讨论了与GraphESN相比的多样性。

本文研究了基于神经网络的插件分类器在二元分类设置中的性能，以其超出风险的度量为基准。研究了函数类别很大，但可以利用神经网络的逼近能力。最后，证明所获得的速率实际上是最小最大优化的，尽管存在一个对数因子。

该论文研究了粒计算中的模糊集通过粒状表示集合的逼近方法，并提出了不相交和相邻粒子的定义。针对二元分类问题，利用新概念分离决策区域并覆盖属性空间。对于多类分类问题，定义了多类粒状逼近，并介绍了高效计算Łukasiewicz模糊联结的多类粒状逼近的方法。

该研究探讨了深度神经网络在学习过程中的动态，特别关注了二元分类问题。研究发现，在非线性架构下，网络学习的分类误差呈现 sigmoid 形状。同时，研究了梯度饱和现象和特征频率对模型收敛速度的影响，以及交叉熵和hinge损失在生成对抗网络训练中的差异。最后，提出并研究了梯度饥饿现象。