本文提出了一种多实例加密流量转换器（MIETT），通过双层注意力机制有效捕捉token级和数据包级特征。引入的预训练任务增强了模型对流量结构和包顺序的理解，实验结果表明MIETT在多个数据集上的分类性能优于现有方法。

本文提出了一种新的边缘模糊粗糙特征选择框架（MAFRFS），旨在提高高维数据中特征选择的效率。该方法通过优化标签类别的紧凑性和分离性，降低模式分类的不确定性，提升分类性能。实验结果表明，MAFRFS在15个公共数据集上优于现有算法，具有更高的可扩展性和有效性。

本研究提出了一种基于距离的加权机制，以解决半监督深度学习中有限标记数据的问题。该方法通过关注与测试数据接近的关键训练样本，提升模型的泛化能力和鲁棒性，实验结果表明在多个数据集上显著提高了分类性能。

本研究提出VariReal，通过最小编辑源图像生成合成图像，探讨合成数据在训练CLIP分类器中的有效性。结果表明，混合可行与不可行图像对分类性能的影响微乎其微。

该研究提出了一种新方法，通过卷积神经网络直接从傅里叶相位显微镜测量中进行图像分类，避免了高计算成本的重建过程。该方法提高了12%的分类性能，减少了数据量和采集时间，同时保持了分类准确性。

本研究提出了近视子空间理论（MST）和V-GAN生成方法，以解决高维表数据中的异常检测和子空间选择问题。实验结果表明，V-GAN生成的子空间显著提高了分类性能，验证了其有效性。

本研究提出了一种混合自编码器方法（hybrid TDC-AE），旨在提高网络物理系统中的异常检测效率和分类性能。该方法利用传感器数据的时间相关性和物理原理，增强系统的弹性，以应对数字化和物联网设备带来的新漏洞问题。

本研究探讨了语言模型在金融分析中的分类性能与可解释性之间的关系，发现分类准确性与自我解释的事实性或因果性显著相关，为优化分类提供了实证依据。

本研究提出了一种增强标签的方法，以解决对抗训练中的分类性能不均衡问题。经过改进，模型的鲁棒性提高了53.50%，类别不平衡减少了5.73%，在干净样本和对抗样本的准确性上优于传统方法。

本研究提出了一种基于大型语言模型的图增强网络（TRG-Net），有效解决了骨骼动作分割中关节与动作关联被忽视的问题，显著提升了动作理解和分类性能。

本研究提出NodeReg方法，通过范数一致性减轻半监督节点分类中的不平衡和分布偏移影响，提升了图神经网络（GNN）的泛化能力和分类性能。实验结果表明，NodeReg在这些情况下优于现有基线。

本研究探讨了增量学习中概念基础模型对概念和类别关系的保留问题，提出了新的度量标准和MuCIL方法，利用多模态概念进行分类，且不增加可训练参数。实验结果表明，该方法在分类性能上优于其他模型，并提供了可解释性。

本研究提出了一种基于原理的多代理提示策略，用于文本分类。该方法通过多个大型语言模型独立生成候选原理并合并结果，显著提升了分类性能，优于传统提示技术，降低了推理成本并提高了分类精度。

本研究提出了一种新方法，通过调整视觉语言模型的温度参数，优化人类动作识别的分类性能，有效降低分布尾部影响，具有实用价值。

本研究提出了一种联合学习框架，解决医疗时间序列中的不规则性和缺失问题。通过结合序列和图像表征，设计了三种自监督学习策略，提升了融合效果。结果表明，该方法在真实临床数据集上的分类性能优于七种先进模型，展现出更强的鲁棒性和适应性。

本研究提出D-PLS方法，解决4D全景激光雷达分割中语义分割与实例分割的耦合问题。利用单次扫描的语义分割作为先验信息，显著提升了分类和关联任务的性能。

本研究提出了一种约束混合meta启发式算法（cHM），旨在解决高维和不确定环境中的优化问题，提升概率神经网络的训练效果。实验结果表明，该算法加速了收敛速度并提高了分类性能。

本研究提出了一种新的对比学习方法——多粒度关系对比学习（MGRCL），旨在提高少样本分类的特征质量。实验结果表明，该方法在多个基准测试中表现优异，显著提升了分类性能，并可与其他少样本学习方法结合使用。

本研究比较了不同适配器架构在监督二分类和多分类任务中的有效性，分析了DistilBERT、ELECTRA和BART模型的分类性能与时间复杂度。结果表明，适配器架构在显著减少训练时间的同时，能够实现与传统微调相当或更好的性能，为自然语言处理中的适配器选择提供了指导。