本研究针对深度自编码器在对抗攻击下的脆弱性，提出了一种新型的层条件对抗优化目标，以增强损失梯度信息的传播并提高攻击效果。同时，提出了防御插件以减轻对抗样本的影响。

本研究提出了一种基于内部表示的统一度量——亲和力与多样性，以解决演示选择方法在不同优化目标下的不一致性问题。实验结果表明，该度量与测试准确率显著相关，促进了演示选择的一致性。

本文提出了一种适应级联排序系统的优化目标的新方法，通过多任务学习框架自适应地结合放松和完整优化目标的优化。实验证明了方法的有效性和泛化性，并且在线实验表明了方法的显著应用价值。

该文章讨论了Java平台中值类类型的堆扁平化问题，并提出了一种新的类型，该类型的值集中不包含null，从而使存储更紧凑，并在运行时进行其他优化目标。

该研究提出了一种名为GCSCoOp的新方法，旨在提高视觉语言模型的可推广性能，同时保持对已知类别的性能。该方法通过动态约束优化梯度，同时实现了两个优化目标。实验证实了该方法在权衡问题上的有效性。

本文介绍了一种名为“置信度排名”的新框架，使用两个不同的模型来设计优化目标的排名函数，可以直接优化不同凸代理函数的评估指标，如AUC和准确性。实验结果表明，引入置信度排名损失后，可以在公共和工业数据集的CTR预测任务上超过所有基线。该框架已在JD.com的广告系统中部署，以提高精细排名阶段的主要流量表现。