本研究提出了一种结合模糊推理与贝叶斯网络的群体决策系统，针对多目标属性的决策问题。通过构建模糊规则库和分层贝叶斯网络，优化后验概率聚合，结果表明该方法在分类精度和一致性排名上优于传统方法，验证了其在多种决策场景中的有效性和可靠性。

昇思MindSpore是一个支持全场景部署的AI计算框架。开发者可以在华为开发者空间通过垃圾分类实验进行实战演练，预计用时30分钟，适合个人开发者和高校学生，最终实现高达95%的分类精度。

本研究提出了一种高效的深度学习方法，针对超广视场视网膜成像数据集进行图像分类，显著提高了分类精度，展示了在医疗资源有限环境中的诊断潜力。

本研究提出了一种多阶段框架，旨在解决作业数据的自动标注与职业分类问题，提高分类精度，适应多标签技能分类，提供实用解决方案。

本研究提出了MEMHD框架，旨在提高超高维计算在内存计算架构中的内存利用效率。通过聚类初始化和量化意识的迭代学习，显著降低了内存需求，并提高了分类精度。实验结果表明，MEMHD在相同内存下精度提高了13.69%，或在相同精度下内存效率提升了13.25倍，计算周期减少了80倍。

本研究利用彩色流动成像显微镜技术，提升了生物制药中蛋白质聚集体应力来源的识别能力，并结合深度学习显著提高了分类精度，为品质控制提供了新方案。

本研究提出了一种无提示的脑电图（EEG）想象语音范式，克服了以往方法对外部提示的依赖。结果显示分类精度高达97.93%，表明该方法在脑机接口等应用中具有良好的识别潜力。

本研究提出了一种基于卷积神经网络（CNN）的屋顶太阳能光伏电池板检测方法，通过提取局部特征并聚合为全球特征，训练传统机器学习模型进行分类。结果表明，该方法在三个城市的分类精度超过0.9，为有限标注数据下的模型应用提供了策略。

本研究提出了一种新颖的分类方法，通过自动识别信息性图像块，结合费舍尔向量表示法，针对全数字切片图像的复杂性和大尺寸问题，提高了分类精度和效率，减轻了计算负担。实验结果表明，该方法优于传统技术。

本文介绍了基于深度学习的表格数据处理模型SAINT及其研究进展，强调了注意力机制和特殊网络架构在提高分类精度中的作用。同时，比较了深度学习与传统机器学习方法在有监督学习任务中的局限性，并探讨了未来的研究方向。

DeepSeeNet是一种基于深度学习的系统，能够自动分类年龄相关性黄斑变性（AMD），其分类精度优于人类专家。该系统结合多模态输入和卷积神经网络，优化了AMD的检测和分类，显示出在临床应用中的潜力，尤其是在生物标志物发现和治疗靶点识别方面。

本文综述了量子神经网络及其在深度学习中的应用，分析了量子卷积网络和量子启发式算法的技术贡献与优缺点。研究表明，量子神经网络在分类精度和训练效率上优于传统模型，并提出了多种新型量子网络架构，展示了其在自然语言处理和手写数字识别等任务中的潜力。

本文介绍了HAGNN、HNHN和HGNN等新型图神经网络框架，旨在提升异构图和超图的表示学习效果。研究表明，这些方法在分类精度和速度上优于现有技术，能够有效处理复杂数据和多模数据，推动图神经网络的发展。

该论文提出了一种利用生成对抗网络（GAN）生成高质量合成数据的新方法，并引入后处理技术和GAP Filler方法，以提高数据集的分类精度。通过案例研究，验证了合成数据在数据科学中的有效性和潜力，尤其在低数据量情况下的应用。

本文研究了层次分类标签在分类器学习中的有效性，提出多种方法提升半监督和全监督多类别分类器性能。实验表明，基于对比学习的混合网络在处理不平衡数据时表现优越，层次化多标签学习框架在多项任务中显著提高了分类精度。

该论文探讨了通过有针对性的监督对比学习（TSC）提高长尾识别中少数类的准确率，提出了平衡对比学习（BCL）和遮蔽对比学习等方法，以优化特征学习和分类精度。实验结果表明，这些方法在多个数据集上表现优异，超越了现有技术。

本文探讨了多种基于梯度提升决策树的算法在自然语言推断和特征选择中的应用，介绍了FreeGBDT、DGBF和GBFS等新方法，这些方法在多个数据集上展现了优越的分类精度和特征提取能力，尤其在高维数据和非线性特征相互作用方面表现良好。

本文提出了HeIHNN超边交互感知超图神经网络，旨在增强超边与节点间的信息流动。实验结果表明，HeIHNN在真实数据集上的性能优于现有方法。此外，研究还介绍了HNHN框架和HGNN框架，它们在数据表示学习中表现出色，具有更高的分类精度和速度。

本文介绍了多种新算法和方法，如NeuralFDR、FSDR和FSR，旨在优化特征选择和降维过程。这些方法通过深度学习和统计一致性，提高了分类精度和模型鲁棒性，特别是在高维数据和时间序列处理方面表现突出。