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），旨在解决已知意图与未知意图的区分问题。通过自适应粒状球聚类，构建多粒度决策边界，有效捕捉细粒度语义结构。实验结果表明，该方法在多个数据集上表现优异，具有重要的实践意义。

本文探讨了修正线性单元（ReLU）网络的表现力及其决策边界，证明了两层ReLU网络的决策边界可被阈值网络捕捉，并提出了减少隐藏单元数量的系数条件。实验验证了ReLU网络的学习能力，并提出了一种新的随机梯度下降算法，证明其在单隐藏层ReLU网络中能达到全局最优性。

本研究提出了一种新的概率特斯拉机框架，旨在解决特斯拉机在不确定性量化中的不足。该框架通过学习各状态的概率，提供了一种稳健且可解释的方法，实验结果表明其在识别高不确定性区域和决策边界方面表现优异。

本研究探讨了大语言模型中的上下文学习（ICL）现象，证明预训练促进了上下文学习。通过实验分析模型规模和例子顺序对学习的影响，并探讨ICL与贝叶斯推断的关系。同时，研究了决策边界的行为及其泛化能力，提出新的训练方法以提高模型的鲁棒性和泛化能力，为机器学习提供新视角。

本文提出了一种基于组的OOD检测框架和新颖的评分函数MOS，能够有效简化高维分类空间中的决策边界。研究表明，MOS在多个OOD数据集上表现优越，FPR95降低14.33%，推理速度提高6倍。此外，文章探讨了多种OOD检测方法及其在视觉语言模型时代的应用与挑战。

本文研究了三种经典机器学习算法在公平性方面的应用，提出通过调整决策边界来减少对特定群体的歧视。研究表明，新的公平度量方法结合了偏差和准确性，能够更全面地评估算法公平性。通过样本重新加权和后处理技术，提出了有效的提高公平性的策略，并在多个数据集上验证了其优势。

本文探讨了深度神经网络的决策边界及其对抗训练的影响，提出了改进的解释方法和算法，以提高模型的鲁棒性和泛化能力。研究表明，决策边界在特征空间中相对简单，但受训练样本影响，容易导致过拟合。通过评估不同方法，旨在优化模型性能并理解上下文学习动态。

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。