本研究提出了一种新技术——简约单纯形SMOTE，旨在克服现有SMOTE在不平衡学习中的局限性。该方法通过几何邻域采样生成合成点，优化了少数类与多数类的决策边界。实验结果显示其优于多种几何采样方法，并可与现有SMOTE扩展结合使用。

本研究提出了一种多粒度开放意图分类方法（MOGB），能够有效区分已知与未知意图，并构建细粒度决策边界。实验结果在三个数据集上表现优异。

本研究提出了一种概率特斯拉机框架，通过学习Tsetlin自动机的状态概率，填补了特斯拉机在不确定性量化中的基础性缺口。实验结果表明，该框架在识别高不确定性区域和决策边界方面表现优异。

文章评估了边缘计算和微控制器上的量化及对抗样本的有效性。量化会影响决策边界和梯度，可能增强或减弱噪声。输入预处理对小扰动有效，但对大扰动效果差。基于训练的防御方法能增加决策边界距离，量化后仍有效，但需解决量化偏移和梯度失调问题，以应对对抗样本的迁移性。

本论文研究了大型语言模型在二分类任务中学习到的决策边界的特点和影响因素，并探讨了提高泛化能力的方法。通过评估不同方法的有效性，研究结果为改善上下文学习的鲁棒性和泛化能力提供了实用改进。

本文评估了边缘计算和微控制器上量化和对抗示例的有效性。量化增加了决策边界的点距离，但可能导致梯度爆炸或消失。输入预处理防御在小扰动上效果好，但在扰动增加时表现不佳。基于训练的防御方法可以增加决策边界的平均点距，且在量化后仍有效。然而，需要解决量化偏移和梯度失调问题以对抗对QNNs的敌对示例可迁移性。

本文介绍了一种将离群分布检测评分无缝组合的通用方法，通过量化正态化将这些评分转化为 p 值，并使用元分析工具组合这些检验，得到具有巩固决策边界的更有效的检测器。实证研究表明该方法在各种离群分布检测场景中显著提高了整体鲁棒性和性能。框架易于扩展，并且是该领域中首个结合决策边界的方法。

通过研究决策边界的定性行为，发现大型语言模型在二分类任务中学习到的决策边界通常是不规则且非平滑的。研究了影响决策边界的因素，并探讨了提高泛化能力的方法。

本文介绍了一种基于RGB-D输入的轻量级双分支重建网络(DBRN)，通过学习正常和异常样本之间的决策边界，使用深度图而不是点云输入来消除两种模态之间的对齐要求，并引入了一个重要性评分模块来辅助融合这两种模态的特征。

本研究重新评估了三种对抗剪枝方法，发现它们的鲁棒性被高估，剪枝后接近未剪枝模型决策边界的样本通常被错误分类。探讨了未来设计更有效的对抗剪枝方法的可能性。

该文介绍了一种新的联邦学习方案，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。实验证明，该方法在使用有噪声的标签的联邦学习中非常有效。

该研究提出了ReLU层参数对输入域的自然划分，使得在每个划分区域内，ReLU层可以大大简化。研究探讨了具有一个隐藏ReLU层的前馈网络，提供了关于此类网络生成决策边界的几何复杂性的结果，并证明除了仿射变换外，这样的网络只能生成d个不同的决策边界。

本文介绍了一种新的参数二值量化器——连续扫描，用于估计数据集的类别普遍性。该方法通过引入参数类分布替代经验分布，优化决策边界和采用平均值，并通过理论推导得到偏差和方差的解析表达式。模拟研究结果表明，连续扫描在广泛情况下优于中位数扫描。