本研究提出了一种基于内点记忆效应的异常值检测方法，通过增加训练数据尺寸和使用自适应阈值设计截断损失函数，达到了最先进的性能。该方法与隐私保护算法结合展现了良好的鲁棒性。

本文研究软间隔支持向量机优化问题的数值解，通过使用 NFFT 加速的矩阵向量乘积和 ANOVA 分解特征空间的方法，结合预处理方法和 Krylov 子空间求解器，对线性鞍点形式的线性系统进行求解，比较了 ANOVA 核方法与默认 LIBSVM 实现方法在大规模数据集上的准确性和性能表现。

在无限时间、约束的马尔科夫决策过程中，通过零阶内点方法实现约束满足，以最大化预期累积奖励，确保策略在学习过程中的可行性，并具有样本复杂度 O (ε^(-6))

本文介绍了一种名为IOMatch的新型开放集半监督学习框架，能够有效利用异常点和内点，产生统一的开放集分类目标。实验证明，IOMatch在不同基准数据集和设置下明显优于基准方法。