本研究提出了一种新方法，将表格数据转换为文本，并利用预训练的大规模语言模型进行编码，以克服现有表格深度学习方法的局限性。实验结果显示，该方法在七个分类数据集上优于传统模型，具有重要的应用潜力。

我们提出了一种新颖的白盒方法来进行超参数优化，通过最小化损失函数的强凸性来改善其平坦性，并利用神经网络的结构推导出近似求解强凸参数的闭式方程。通过随机搜索最小化超参数配置，我们在14个分类数据集上的实验中展示了我们的方法在运行时间的一小部分下取得了强大的性能。

本文介绍了一种名为“替代特征选择”的方法，可以获得小型、可解释且高度准确的预测模型。作者使用 30 个分类数据集评估了替代特征选择的效果，并观察到替代特征集合可能具有较高的预测质量，并分析了影响这一结果的几个因素。

本文测试了10种解释器在8种代表性架构的6个图形和节点分类数据集上的表现，提供了GNN解释器选择和适用性的关键见解，并提供了关于如何避免常见解释误区的建议。同时，强调了未来研究的开放性问题和方向。

本文介绍了一种名为“替代特征选择”的方法，可以获得小型、可解释且高度准确的预测模型。该方法被形式化为一个优化问题，并定义了替代特征集合的约束条件。作者使用30个分类数据集评估了该方法的效果，并观察到替代特征集合可能具有较高的预测质量。同时，作者分析了影响这一结果的几个因素。

通过对比不同的标记减少方法和图像分类数据集，发现Top-K剪枝方法是一个强基准。分析不同方法后发现，减少模式在改变主干模型容量时通常不一致，基于剪枝的方法的减少模式与固定的径向模式显著不同，并且基于剪枝的方法的减少模式在分类数据集中是相关的。最后，减少模式的相似性是模型性能的中、强代理。