该研究解决了图像伪造定位中如何提取更全面、准确的伪造线索这一紧迫问题。提出的SUMI-IFL框架通过施加充分性视图和最小性视图约束，增强了伪造特征的表示能力。实验表明，SUMI-IFL在现有最先进的方法中表现优越，具备良好的应用前景。

本文探讨了多种基于深度学习的医学图像质量评估和分割方法，包括利用偏好图片训练模型、生成不确定性映射以及多色彩空间融合网络（MCF-Net）。研究表明，这些方法在提高图像质量评估和患者安全性方面表现优越，并提出了新的置信度校准和故障检测方案，以增强深度神经网络的可靠性。

ExpO是一种可解释的混合方法，旨在提高机器学习模型的解释质量。研究探讨了解释系统与预测模型的准确性，提出了一致性和充分性两个属性的量化度量。通过实证分析，强调了解释方法间的不一致性问题，并提出改进算法以增强解释的可靠性和稳健性。

本文提出了一种优化多模态数据和标签的生成-判别模型，能够有效学习多模态表示并提升性能。研究表明，多模态学习相比单一模态具有更好的泛化能力，并提出了应对模态缺失的新框架，利用少量可学习参数提高模型鲁棒性。实验结果验证了这些方法在多模态任务中的有效性。

通过限制 C^3 风险，提出了一种名为 Causal Complete Cause Regularization (C^3R) 的插拔式方法，从而有效地学习多模态学习中的因果完整表示，实验证明了 C^3R 的有效性。

本文提出了广义标签偏移（GLS）假设，以增强分类器在标签分布不匹配情况下的鲁棒性。通过修改现有的域自适应算法，实验结果显示算法性能显著提升。此外，研究还探讨了不确定性量化、因果推断和半监督学习等领域的改进方法，以提高模型在不同分布下的适应能力和预测准确性。

本文讨论了图像质量评估（IQA）在医学图像中的重要性，指出现有全参考方法在评估不同类型医学图像时的局限性，并提出了改进机器学习可解释性和泛化性的建议。介绍了新开发的无参考感知图像质量指数（PIQI），并探讨了基于生成对抗网络的图像修复算法的评估问题，强调需要新的基准数据集以推动IQA方法的发展。

利用算法鉴别外源节点以满足因果充分性的需求，通过独立性测试和差异分析确定可能的混淆变量，应用于人类连通性计划数据并验证了该方法的可靠性。

该研究提出了一种统一框架，利用必要性和充分性概率来提取不变的子图结构，并通过集成方法增强噪声数据的泛化性能。实验证明该方法在图 OOD 问题上优于现有技术，显示了在实际场景中的有效性。

机器学习模型在贷款批准、预审保释、招聘等领域广泛应用，但大多数模型不透明。本文介绍了自动生成反事实解释的方法，使用了答案集规划和目标导向ASP系统。通过计算和证明反事实解释，导航解释间的关系。同时，还介绍了如何利用算法为无法满足查询的答案集程序找到插值。

该论文研究了在没有专家输入的情况下独立发现方程的先决条件和工具，解决了在正确方程未知时评估已发现方程的充分性的挑战，以提供无需先前知识的方程可靠发现的洞察。