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的对抗训练策略，以防御机器学习模型中的标签中毒攻击。该方法基于支持向量机，通过双层优化框架显著提高模型的鲁棒性和分类能力，尤其在面对增加的攻击预算时表现出色。

本研究提出了一种协作矫正学习网络，用于半监督三维医学图像分割，旨在有效利用少量标注数据和大量未标注数据。通过生成高质量伪标签和引入动态交互模块，提升了模型在不确定区域的分类能力。实验结果表明，该方法在公共数据集上优于现有技术，具有良好的推广潜力。

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。

本研究提出了一种替代对比解码（ALCD）方法，旨在解决大型语言模型在医学信息提取中的幻觉问题。实验结果表明，ALCD在消除幻觉和提升识别、分类能力方面显著优于传统解码方法。

本文探讨了支持向量机（SVM）的多种改进方法，旨在解决时间处理、高维优化失败和类别不平衡等问题。提出了基于模糊逻辑的IF-RELSTSVM和F-RELSTSVM模型，实验结果表明其性能优于基准算法。此外，介绍了支持矩阵机（SMM）和自适应权重函数，以增强SVM的分类能力，验证了这些方法在准确性和召回率上的有效性。

本文探讨了量子神经网络和混合量子-经典神经网络在电力流分析中的应用，实验结果表明混合模型优于传统神经网络。此外，研究综述了量子神经网络的发展，提出了新模型以提升分类能力和鲁棒性，展示了量子计算在机器学习中的潜力。

本文探讨了通过稀疏化技术优化神经网络计算效率的方法，提出了利用稀疏活动和连接增强分类能力的模型，并在多个数据集上验证了其性能。研究表明，稀疏化可以在不影响功能的情况下提高运行效率，适用于神经形态计算设备。

本研究探讨了大型语言模型（LLMs）在主观标签任务中的潜力与限制，发现其在分类和推理能力上与人类分析师存在显著差异。尽管LLMs在事实检查中表现出一定能力，但在处理中文和虚构信息时面临挑战，且在高风险环境中不应被视为可靠替代品。研究还提出了改进LLMs准确性的潜在解决方案。

本文提出了一种面部图像质量评估算法（CR-FIQA），通过预测样本的分类能力来估计质量。该方法在多个面部识别模型上经过实验验证，显示出优越性，旨在提升技术性能与稳定性，适用于真实场景。

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。