本文提出了一种渐进式抽象论证方法（Gradual AA-CBR），结合神经网络特征提取与辩论结构，提升案例推理的可解释性和分类能力，从而显著提高推理结果的可靠性与准确性。

本研究提出了一种新型神经网络xEEGNet，用于分析脑电图数据，提升阿尔茨海默症等痴呆症的分类能力。xEEGNet通过减少参数数量，保持良好的解释性和抗过拟合能力，同时实现与大模型相当的分类性能，为医学领域的神经网络应用提供了新视角。

本研究提出了一种名为FLORAL的对抗训练防御策略，旨在增强机器学习模型在标签中毒攻击下的鲁棒性。通过双层优化框架，FLORAL显著提升了模型的分类能力。

本研究提出了一种新方法，解决半监督三维医学图像分割中标注与未标注数据的有效利用问题。通过协作矫正学习网络生成高质量伪标签，并引入动态交互模块，提升了伪标签的准确性和模型的分类能力。实验结果表明，该方法在三种公共数据集上优于现有技术，具有良好的推广潜力。

本研究提出CELD框架，解决糖尿病视网膜病变与其他疾病识别不足的问题。在有限标注数据下，模型分类能力逐步提升，最终在公开数据集上实现91%的准确率，为眼科疾病的早期检测提供支持。

该研究提出了一种基于互惠点学习的散射核方法，旨在提升合成孔径雷达(SAR)在开放环境中对未知目标的分类能力。实验结果表明，该方法在MSTAR数据集上优于现有主流技术。

本研究提出了开放词汇航空物体检测（OVAD）的新定义，解决了现有算法只能检测预定义类别的问题。CastDet框架通过结合多种策略和教师模型，提高了新物体提议的质量和分类能力。

本文提出了一种利用稀疏性增强分类能力的模型，通过稀疏活动和稀疏连接实现分类。实验结果表明，该模型在MNIST数据库上的分类性能优于非稀疏方法。

介绍了CLIP-DIY的开放词汇语义分割方法，利用无监督目标定位方法和CLIP的分类能力，在PASCAL VOC和COCO上取得了良好结果。