本研究提出CleanMAP框架，旨在解决智能连接车辆对高精度地图更新的需求及众包数据不一致性的问题。通过提取关键视觉参数和动态分段评分，显著提高了地图更新的准确性和可靠性。实验结果表明，该框架在自主导航中的实用价值。

本文研究多臂赌博机问题及其在用户与资源匹配中的应用，提出多种算法以提高决策效率和降低错误率。研究内容包括众包数据质量、在线配对平台、公平性和贝叶斯博弈均衡，探讨不同条件下的最优策略和算法改进，旨在优化挖矿收益和学习效率。

本研究探讨了深度学习在物种分布建模中的应用，提出了处理数据不平衡和利用众包数据的新方法。研究表明，深度学习在物种范围预测中优于传统方法，尤其在稀有物种建模和全球生态保护方面具有重要意义。

本研究提出了一种高效的方法，通过Best-Worst Scaling逐步收集注释，生成强鲁棒性的众包数据。研究发现直接评估方法可以在成本高效和与大规模BWS注释策略的相关性之间找到平衡，并展示了这些注释支持强鲁棒的排序学习模型的潜力。

本文提出了一种基于贝叶斯图形模型的技术，旨在优化众包数据中的标签和工作者质量，处理冗余注释数据。研究表明，有监督的集成分类算法能提高分类准确性，并提出了一种新颖的真值发现算法以解决标签偏差问题。此外，探讨了联邦学习中的众包数据标注及其激励机制，并提出改进的神经网络架构以增强欺诈检测的解释性能。

本研究提出了一种贝叶斯方法用于聚合序列标记，以减少注释错误。通过众包数据评估，该模型在命名实体识别等任务中表现优于现有技术，并降低了成本。研究还探讨了分层抽样和控制变量等技术，以提高标注准确性。提出的算法和模型显著提升了序列标注任务的效率和质量。