本文介绍了一种基于信息论的动态特征选择方法，利用学习策略高效获取特征。该方法在多个数据集上表现优于现有技术，适用于情感分析和图像识别等任务。此外，研究还提出了基于强化学习的动态特征选择，以优化临床预测监测中的数据挖掘效果。

该研究提出了一种信息熵方法，用于量化多模态分布中输入特征的冗余和协同作用，帮助模型选择和应用。通过部分信息分解，分析了摘要特征与源文件数量的关系，并引入“表征复杂度”概念，测量神经网络信息表达的难度。此外，研究了多元表示的分离度量及其在纠缠反应中的应用，探讨了联邦学习中的公平性问题，提供了动态特征选择的新方法。

介绍了一种新的演化集成分类器——Parsimonious Ensemble pENsemble，它由Parsimonious Classifier pClass构建，具有动态特征选择和集成结构，能够检测漂移，适用于处理动态和演化数据流，能够在精度和复杂度之间实现平衡。